論文の概要: LLM-based Contrastive Self-Supervised AMR Learning with Masked Graph Autoencoders for Fake News Detection

• arxiv url: http://arxiv.org/abs/2508.18819v1
• Date: Tue, 26 Aug 2025 08:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.764744
• Title: LLM-based Contrastive Self-Supervised AMR Learning with Masked Graph Autoencoders for Fake News Detection
• Title（参考訳）: 偽ニュース検出のためのマスケグラフオートエンコーダを用いたLLMを用いたコントラスト自己監督型AMR学習
• Authors: Shubham Gupta, Shraban Kumar Chatterjee, Suman Kundu,
• Abstract要約: デジタル時代における誤報の拡散は、社会的な大きな課題に繋がった。 既存のアプローチは、しばしば、長距離依存、複雑な意味関係、およびニュース拡散に影響を与える社会的ダイナミクスの獲得に苦慮する。 本稿では,複雑な意味関係とニュース伝搬ダイナミクスを融合した,自己教師型誤情報検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 17.045049022252563
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The proliferation of misinformation in the digital age has led to significant societal challenges. Existing approaches often struggle with capturing long-range dependencies, complex semantic relations, and the social dynamics influencing news dissemination. Furthermore, these methods require extensive labelled datasets, making their deployment resource-intensive. In this study, we propose a novel self-supervised misinformation detection framework that integrates both complex semantic relations using Abstract Meaning Representation (AMR) and news propagation dynamics. We introduce an LLM-based graph contrastive loss (LGCL) that utilizes negative anchor points generated by a Large Language Model (LLM) to enhance feature separability in a zero-shot manner. To incorporate social context, we employ a multi view graph masked autoencoder, which learns news propagation features from social context graph. By combining these semantic and propagation-based features, our approach effectively differentiates between fake and real news in a self-supervised manner. Extensive experiments demonstrate that our self-supervised framework achieves superior performance compared to other state-of-the-art methodologies, even with limited labelled datasets while improving generalizability.
• Abstract（参考訳）: デジタル時代における誤報の拡散は、社会的な大きな課題に繋がった。 既存のアプローチは、しばしば、長距離依存、複雑な意味関係、およびニュース拡散に影響を与える社会的ダイナミクスの獲得に苦慮する。 さらに、これらの方法は広範なラベル付きデータセットを必要とするため、デプロイメントリソースが集中的になる。 本研究では,抽象的意味表現(AMR)とニュース伝搬ダイナミクスを用いた複雑な意味関係を統合した,自己教師型誤情報検出フレームワークを提案する。 本稿では,Large Language Model (LLM) が生成する負のアンカーポイントを利用して,ゼロショット方式で特徴分離性を向上する LLM-based graph contrastive loss (LGCL) を提案する。 ソーシャルコンテキストを取り入れたマルチビューグラフマスキングオートエンコーダを用いて,ソーシャルコンテキストグラフからニュース伝搬特徴を学習する。 これらの意味的特徴と伝播的特徴を組み合わせることで,本手法は,自制的な偽ニュースと実ニュースを効果的に区別する。 包括的実験により、我々の自己教師型フレームワークは、ラベル付きデータセットが限定された場合でも、他の最先端の方法論よりも優れた性能を達成し、一般化性を向上させることが実証された。

関連論文リスト

• LLMs Between the Nodes: Community Discovery Beyond Vectors [0.6445605125467574]
  ソーシャルネットワークグラフにおけるコミュニティ検出は、グループダイナミクス、影響経路、情報の拡散を明らかにする上で重要な役割を担っている。 大規模言語モデル(LLM)の最近の進歩は、このタスクに意味情報と文脈情報を統合するための新たな道を開く。 我々は,GPT-4oモデルとプロンプトベースの推論を利用して,言語モデル出力とグラフ構造を融合する2段階のフレームワークCommLLMを紹介した。
  論文  参考訳（メタデータ） (2025-07-29T20:47:54Z)
• Quantizing Text-attributed Graphs for Semantic-Structural Integration [6.721504414917793]
  テキスト分散グラフ(TAG)は、様々な領域にわたる複雑な関係をモデル化するための強力な表現として登場した。 大規模言語モデル(LLM)の台頭に伴い、グラフ学習に彼らの能力を活用することへの関心が高まっている。 凍結したコードブックを用いて,グラフ構造情報を離散トークンに直接量子化する,新たな自己教師型フレームワークSTAGを提案する。
  論文  参考訳（メタデータ） (2025-07-20T09:18:02Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Graph Learning in the Era of LLMs: A Survey from the Perspective of Data, Models, and Tasks [25.720233631885726]
  グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)の統合は、有望な技術パラダイムとして現れている。 データ品質を根本的に向上させるために、リッチなセマンティックコンテキストを持つグラフ記述テキストを活用します。 この研究は、グラフ学習方法論の進歩を目指す研究者や実践者にとって、基礎的な参考となる。
  論文  参考訳（メタデータ） (2024-12-17T01:41:17Z)
• Graph-Augmented Relation Extraction Model with LLMs-Generated Support Document [7.0421339410165045]
  本研究では,文レベルの関係抽出(RE)に対する新しいアプローチを提案する。 グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を統合し、コンテキストに富んだサポートドキュメントを生成する。 そこで,CrossREデータセットを用いて実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-30T20:48:34Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Joint-Embedding Masked Autoencoder for Self-supervised Learning of Dynamic Functional Connectivity from the Human Brain [16.62883475350025]
  グラフニューラルネットワーク(GNN)は、人間の脳ネットワークと表現型を区別するための動的機能接続の学習において、有望であることを示している。 本稿では,計算機ビジョンにおけるJEPA(Joint Embedding Predictive Architecture)からインスピレーションを得た,時空間連成型自動エンコーダ(ST-JEMA)について紹介する。
  論文  参考訳（メタデータ） (2024-03-11T04:49:41Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Cooperative Policy Learning with Pre-trained Heterogeneous Observation Representations [51.8796674904734]
  事前訓練された異種観察表現を用いた新たな協調学習フレームワークを提案する。 エンコーダ-デコーダに基づくグラフアテンションを用いて、複雑な相互作用と異種表現を学習する。
  論文  参考訳（メタデータ） (2020-12-24T04:52:29Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。