論文の概要: Graph Representation Learning with Massive Unlabeled Data for Rumor Detection
- arxiv url: http://arxiv.org/abs/2508.04252v1
- Date: Wed, 06 Aug 2025 09:33:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.657888
- Title: Graph Representation Learning with Massive Unlabeled Data for Rumor Detection
- Title（参考訳）: 大規模未ラベルデータを用いた地震検出のためのグラフ表現学習
- Authors: Chaoqun Cui, Caiyan Jia,
- Abstract要約: ソーシャルメディアプラットフォームであるWeiboとTwitterから収集した大規模未ラベルトピックデータセットをクレーム伝搬構造を用いて,さまざまなトピックを対象としたグラフ検索学習モデルのセマンティックラーニング能力を向上させる。
実験により,これらの汎用グラフによる自己教師付き学習手法は,噂検出タスクに特化して設計された従来手法よりも優れていたことがわかった。
- 参考スコア（独自算出の注目度）: 3.2803526084968904
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: With the development of social media, rumors spread quickly, cause great harm to society and economy. Thereby, many effective rumor detection methods have been developed, among which the rumor propagation structure learning based methods are particularly effective compared to other methods. However, the existing methods still suffer from many issues including the difficulty to obtain large-scale labeled rumor datasets, which leads to the low generalization ability and the performance degeneration on new events since rumors are time-critical and usually appear with hot topics or newly emergent events. In order to solve the above problems, in this study, we used large-scale unlabeled topic datasets crawled from the social media platform Weibo and Twitter with claim propagation structure to improve the semantic learning ability of a graph reprentation learing model on various topics. We use three typical graph self-supervised methods, InfoGraph, JOAO and GraphMAE in two commonly used training strategies, to verify the performance of general graph semi-supervised methods in rumor detection tasks. In addition, for alleviating the time and topic difference between unlabeled topic data and rumor data, we also collected a rumor dataset covering a variety of topics over a decade (10-year ago from 2022) from the Weibo rumor-refuting platform. Our experiments show that these general graph self-supervised learning methods outperform previous methods specifically designed for rumor detection tasks and achieve good performance under few-shot conditions, demonstrating the better generalization ability with the help of our massive unlabeled topic dataset.
- Abstract（参考訳）: ソーシャルメディアの発展に伴い、噂は急速に広まり、社会や経済に大きな打撃を与えた。
これにより,多くの有効噂検出手法が開発され,その中の1つは,他の手法と比較して特に有効である。
しかし, 従来の手法では, 大規模ラベル付き噂データセットの入手が困難であり, 噂が時限的であり, ホットトピックや新たなイベントが出現することが多いため, 一般化能力の低下や, 新たなイベントのパフォーマンス劣化が生じるなど, 依然として多くの問題に悩まされている。
そこで,本稿では,ソーシャルメディアプラットフォームであるWeiboとTwitterから収集した大規模未ラベルのトピックデータセットをクレーム伝搬構造を用いて,さまざまなトピックを対象としたグラフ再帰学習モデルのセマンティックラーニング能力を向上させる。
本稿では,一般に使用されている2つのトレーニング戦略において,InfoGraph,JOAO,GraphMAEの3つの典型的なグラフ自己教師手法を用いて,うわさ検出タスクにおける一般グラフ半教師手法の性能を検証する。
また,未ラベルの話題データと噂データとの時間的および話題的差異を緩和するため,Weiboの噂消火プラットフォームから10年以上にわたって,さまざまな話題をカバーする噂データセットを収集した。
実験により,これらの汎用グラフ自己教師学習手法は,噂検出タスクに特化して設計された従来手法よりも優れ,数ショット条件下での優れた性能を実現し,大規模な未ラベルトピックデータセットの助けを借りて,より優れた一般化能力を示す。
関連論文リスト
- Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳（メタデータ） (2024-11-20T00:43:32Z) - Semantic Evolvement Enhanced Graph Autoencoder for Rumor Detection [25.03964361177406]
本稿では,GARDモデルのための新しい意味進化拡張グラフオートエンコーダを提案する。
このモデルは、局所的な意味変化とグローバルな意味進化情報をキャプチャすることで、事象の意味進化情報を学ぶ。
噂や非噂の異なるパターンを学習するモデルの能力を高めるために,モデルの性能をさらに向上させるレギュレータを導入する。
論文 参考訳（メタデータ） (2024-04-24T05:05:58Z) - Rumor Detection with a novel graph neural network approach [12.42658463552019]
ソーシャルメディア上での噂を検出するために,ユーザ相関と情報伝達の表現を共同で学習する新しい検出モデルを提案する。
具体的には、グラフニューラルネットワークを利用して、二部グラフからユーザ相関の表現を学習する。
本研究では,ユーザ相関パターンを逆転させるには高いコストが必要であることを示すとともに,ユーザ相関をうわさ検出のために考慮することの重要性を示す。
論文 参考訳（メタデータ） (2024-03-24T15:59:47Z) - From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。
グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
本稿では3つの単純だが強力なグラフ畳み込み法を提案する。
論文 参考訳（メタデータ） (2023-09-24T10:10:21Z) - A Unified Contrastive Transfer Framework with Propagation Structure for
Boosting Low-Resource Rumor Detection [11.201348902221257]
既存の噂検出アルゴリズムは 昨日のニュースで 有望な性能を見せています
十分なトレーニングデータや事前の専門家知識が欠如しているため、予期せぬ出来事に関する噂を見つけるのが苦手である。
本稿では,十分な情報源から得られた特徴を,少数のアノテーションで少ない資料に適応させることで,噂を検出するための一貫したコントラスト転送フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-04T03:13:03Z) - Model-Agnostic and Diverse Explanations for Streaming Rumour Graphs [39.88818563103125]
検出された噂に関する説明は、過去に検出された関連する噂の例から説明できるかもしれないと論じる。
類似した噂の多種多様なセットは、ユーザーが、すなわち、噂の検出を支配する特性を理解するのに役立つ。
論文 参考訳（メタデータ） (2022-07-17T07:13:27Z) - Geometer: Graph Few-Shot Class-Incremental Learning via Prototype
Representation [50.772432242082914]
既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。
本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。
完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
論文 参考訳（メタデータ） (2022-05-27T13:02:07Z) - Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。
我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。
3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
論文 参考訳（メタデータ） (2022-04-19T12:10:03Z) - Robust Long-Tailed Learning under Label Noise [50.00837134041317]
本研究では,長期ラベル分布におけるラベルノイズ問題について検討する。
本稿では,長期学習のための雑音検出を実現する頑健なフレームワークAlgoを提案する。
我々のフレームワークは、半教師付き学習アルゴリズムを自然に活用して一般化をさらに改善することができる。
論文 参考訳（メタデータ） (2021-08-26T03:45:00Z) - SRLF: A Stance-aware Reinforcement Learning Framework for Content-based
Rumor Detection on Social Media [15.985224010346593]
初期のコンテンツベースの方法は、噂の検出のためにテキストとユーザープロファイルから手がかりを見つけることに集中した。
近年の研究では、ユーザのコメントとニュースコンテンツを組み合わせて、真実と偽の噂の違いを捉えている。
本稿では,モデルトレーニングと噂検出のための高品質なラベル付き姿勢データを選択するための,SRLF(Stance-Aware Reinforcement Learning Framework)を提案する。
論文 参考訳（メタデータ） (2021-05-10T03:58:34Z) - 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) - Rumor Detection on Social Media with Bi-Directional Graph Convolutional
Networks [89.13567439679709]
本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。
これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
論文 参考訳（メタデータ） (2020-01-17T15:12:08Z)
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。