論文の概要: Context-Based Fake News Detection using Graph Based Approach: ACOVID-19 Use-case

• arxiv url: http://arxiv.org/abs/2507.13382v1
• Date: Tue, 15 Jul 2025 18:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.055746
• Title: Context-Based Fake News Detection using Graph Based Approach: ACOVID-19 Use-case
• Title（参考訳）: グラフベースアプローチを用いたコンテキストベースフェイクニュース検出:ACOVID-19利用事例
• Authors: Chandrashekar Muniyappa, Sirisha Velampalli,
• Abstract要約: リアルとフェイクのニュース記事を含むKaggleからデータセットを取ります。 最近のコビッド19関連ニュース記事には、この問題に関連する真偽ニュースと偽ニュースの両方が含まれている。 本稿では,偽ニュース記事を検出するための文脈グラフに基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In today\'s digital world, fake news is spreading with immense speed. Its a significant concern to address. In this work, we addressed that challenge using novel graph based approach. We took dataset from Kaggle that contains real and fake news articles. To test our approach we incorporated recent covid-19 related news articles that contains both genuine and fake news that are relevant to this problem. This further enhances the dataset as well instead of relying completely on the original dataset. We propose a contextual graph-based approach to detect fake news articles. We need to convert news articles into appropriate schema, so we leverage Natural Language Processing (NLP) techniques to transform news articles into contextual graph structures. We then apply the Minimum Description Length (MDL)-based Graph-Based Anomaly Detection (GBAD) algorithm for graph mining. Graph-based methods are particularly effective for handling rich contextual data, as they enable the discovery of complex patterns that traditional query-based or statistical techniques might overlook. Our proposed approach identifies normative patterns within the dataset and subsequently uncovers anomalous patterns that deviate from these established norms.
• Abstract（参考訳）: 今日のデジタル世界では、フェイクニュースは膨大なスピードで広まっている。 それは対処すべき重要な関心事である。 本研究では,新しいグラフベースのアプローチを用いて,その課題に対処した。 私たちは、リアルとフェイクのニュース記事を含むデータセットをKaggleから取得しました。 このアプローチをテストするために、この問題に関連する真偽ニュースと偽ニュースの両方を含む最近のコビッド19関連ニュース記事を取り込んだ。 これにより、オリジナルのデータセットを完全に依存するのではなく、データセットも強化される。 本稿では,偽ニュース記事を検出するための文脈グラフに基づく手法を提案する。 ニュース記事を適切なスキーマに変換する必要があるので、自然言語処理(NLP)技術を利用して、ニュース記事を文脈グラフ構造に変換する。 次に、最小記述長(MDL)に基づくグラフベース異常検出(GBAD)アルゴリズムをグラフマイニングに適用する。 グラフベースの手法は、従来のクエリベースの手法や統計的手法が見落としているような複雑なパターンの発見を可能にするため、リッチなコンテキストデータを扱うのに特に効果的である。 提案手法は、データセット内の規範パターンを特定し、その後、これらの確立された規範から逸脱する異常パターンを明らかにする。

関連論文リスト

• DGP: A Dual-Granularity Prompting Framework for Fraud Detection with Graph-Enhanced LLMs [55.13817504780764]
  実世界の不正検出アプリケーションは、しばしばテキストデータに富んだノード特徴とグラフ構造情報を共同で活用するグラフ学習技術の恩恵を受ける。 グラフ強化LSMは、グラフ情報をプロンプトに変換する、有望なグラフ学習アプローチとして登場します。 目的ノードの細粒度テキストの詳細を保存し,情報過負荷を軽減するDGPを提案する。
  論文  参考訳（メタデータ） (2025-07-29T10:10:47Z)
• A Decision-Based Heterogenous Graph Attention Network for Multi-Class Fake News Detection [2.34863357088666]
  本稿では,半教師付き環境での偽ニュース検出のためのDHGAT(Decision-based Heterogeneous Graph Attention Network)という新しいモデルを提案する。 DHGATは、各層における各ノードの近傍タイプを動的に最適化し、選択することで、従来のGNNの制限に効果的に対処する。 6つのクラスに分類されるニュース項目を含む多クラス偽ニュース検出のための大規模かつ困難なデータセットであるLIARデータセット上でDHGATを評価する。
  論文  参考訳（メタデータ） (2025-01-06T07:18:31Z)
• Can LLMs Convert Graphs to Text-Attributed Graphs? [35.53046810556242]
  既存のグラフをテキスト対応グラフに変換するために,Topology-Aware Node description Synthesis (TANS)を提案する。 我々はTANSをテキストリッチ,テキスト制限,テキストフリーのグラフで評価し,その適用性を示した。
  論文  参考訳（メタデータ） (2024-12-13T13:32:59Z)
• Parameter-Efficient Tuning Large Language Models for Graph Representation Learning [62.26278815157628]
  Graph-awareを導入します。 GPEFT - グラフ表現学習のための新しい手法。 グラフニューラルネットワーク(GNN)を用いて、隣接するノードからグラフプロンプトに構造情報をエンコードする。 我々は8つの異なるテキストリッチグラフで実施した総合的な実験を通じて,リンク予測評価において hit@1 と Mean Reciprocal Rank (MRR) の平均 2% の改善を観察し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-04-28T18:36:59Z)
• GuideWalk: A Novel Graph-Based Word Embedding for Enhanced Text Classification [0.0]
  テキストデータの処理には埋め込みが必要であり、テキストの内容を数値ベクトルに変換する方法である。 新たなテキスト埋め込み手法,すなわちガイド遷移確率行列(GTPM)モデルを提案する。 提案手法は,実世界のデータセットと8つのよく知られた,成功した埋め込みアルゴリズムを用いて検証する。
  論文  参考訳（メタデータ） (2024-04-25T18:48:11Z)
• LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection [2.6396287656676725]
  Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。 我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2024-02-13T12:02:37Z)
• GAMC: An Unsupervised Method for Fake News Detection using Graph Autoencoder with Masking [18.783663535152158]
  グラフベースのテクニックは、このソーシャルコンテキストを取り入れているが、大きなラベル付きデータセットの必要性によって制限されている。 本稿では,マスキングとコントラスト学習を備えたグラフオートエンコーダを用いた,教師なしの偽ニュース検出手法であるGAMCを紹介する。 情報伝達のコンテキストと内容の両方を自己教師付き信号として活用することにより,ラベル付きデータセットの要求を無効化する。
  論文  参考訳（メタデータ） (2023-12-10T03:34:29Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Momentum Decoding: Open-ended Text Generation As Graph Exploration [49.812280360794894]
  自動回帰言語モデル(LM)を用いたオープンエンドテキスト生成は、自然言語処理における中核的なタスクの1つである。 我々は、新しい視点から、すなわち、有向グラフ内の探索プロセスとして、オープンエンドテキスト生成を定式化する。 本稿では,新しい復号法であるtextitmomentum decodingを提案する。
  論文  参考訳（メタデータ） (2022-12-05T11:16:47Z)
• Fine-Grained Visual Entailment [51.66881737644983]
  そこで本稿では,テキストから画像への微粒な知識要素の論理的関係を予測することを目的として,このタスクの拡張を提案する。 従来の研究とは異なり、本手法は本質的に説明可能であり、異なるレベルの粒度で論理的予測を行う。 本手法は,手動でアノテートした知識要素のデータセットを用いて評価し,この課題に対して68.18%の精度を達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T16:09:38Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。