論文の概要: Towards Real-World Rumor Detection: Anomaly Detection Framework with Graph Supervised Contrastive Learning

• arxiv url: http://arxiv.org/abs/2508.07205v1
• Date: Sun, 10 Aug 2025 06:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.752404
• Title: Towards Real-World Rumor Detection: Anomaly Detection Framework with Graph Supervised Contrastive Learning
• Title（参考訳）: 実世界の噂検出に向けて:グラフ教師付きコントラスト学習を用いた異常検出フレームワーク
• Authors: Chaoqun Cui, Caiyan Jia,
• Abstract要約: WeiboとTwitterの2つの大規模会話データセットを構築した。 噂と非噂の分布には明らかな違いがある。 本稿では,異常検出フレームワークであるGraph Supervised Contrastive Learningを提案する。
• 参考スコア（独自算出の注目度）: 3.2803526084968904
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Current rumor detection methods based on propagation structure learning predominately treat rumor detection as a class-balanced classification task on limited labeled data. However, real-world social media data exhibits an imbalanced distribution with a minority of rumors among massive regular posts. To address the data scarcity and imbalance issues, we construct two large-scale conversation datasets from Weibo and Twitter and analyze the domain distributions. We find obvious differences between rumor and non-rumor distributions, with non-rumors mostly in entertainment domains while rumors concentrate in news, indicating the conformity of rumor detection to an anomaly detection paradigm. Correspondingly, we propose the Anomaly Detection framework with Graph Supervised Contrastive Learning (AD-GSCL). It heuristically treats unlabeled data as non-rumors and adapts graph contrastive learning for rumor detection. Extensive experiments demonstrate AD-GSCL's superiority under class-balanced, imbalanced, and few-shot conditions. Our findings provide valuable insights for real-world rumor detection featuring imbalanced data distributions.
• Abstract（参考訳）: 伝播構造学習に基づく最新のうわさ検出手法は,限られたラベル付きデータに基づくクラスバランスの分類タスクとして,うわさ検出を優先的に扱う。 しかし、現実のソーシャルメディアデータは、大量のレギュラー投稿の中で、少数の噂と共に不均衡な分布を示している。 データ不足と不均衡の問題に対処するため、WeiboとTwitterの2つの大規模会話データセットを構築し、ドメイン分布を分析する。 噂と非噂の分布には明らかな違いがあり、非噂は主にエンターテイメントドメインで、噂はニュースに集中しており、噂検出の異常検出パラダイムへの適合性を示している。 これに対応して,グラフ教師付きコントラスト学習(AD-GSCL)を用いた異常検出フレームワークを提案する。 ラベルのないデータを非噂としてヒューリスティックに扱い、うわさ検出にグラフの対照的な学習を適用する。 大規模な実験では、AD-GSCLのクラスバランス、不均衡、少数ショット条件下での優位性が示されている。 この結果から,不均衡なデータ分布を特徴とする実世界の噂検出に有用な知見が得られた。

関連論文リスト

• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• 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)
• 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)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)
• 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。