論文の概要: A Dynamic Knowledge Update-Driven Model with Large Language Models for Fake News Detection

• arxiv url: http://arxiv.org/abs/2509.11687v1
• Date: Mon, 15 Sep 2025 08:38:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.200361
• Title: A Dynamic Knowledge Update-Driven Model with Large Language Models for Fake News Detection
• Title（参考訳）: 偽ニュース検出のための大規模言語モデルを用いた動的知識更新駆動モデル
• Authors: Di Jin, Jun Yang, Xiaobao Wang, Junwei Zhang, Shuqi Li, Dongxiao He,
• Abstract要約: 偽ニュース検出(DYNAMO)のための知識更新駆動モデルを提案する。 まず、我々は、まず、ニュースドメイン固有の知識グラフを構築し、次に、モンテカルロ木探索を用いて複雑なニュースを分解し、ステップごとに検証する。最後に、検証済みの実ニューステキストと推論パスから新しい知識を抽出し、更新する。実験結果、DYNAMOは、2つの実世界のデータセット上で最高のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 31.99839926285098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the Internet and social media evolve rapidly, distinguishing credible news from a vast amount of complex information poses a significant challenge. Due to the suddenness and instability of news events, the authenticity labels of news can potentially shift as events develop, making it crucial for fake news detection to obtain the latest event updates. Existing methods employ retrieval-augmented generation to fill knowledge gaps, but they suffer from issues such as insufficient credibility of retrieved content and interference from noisy information. We propose a dynamic knowledge update-driven model for fake news detection (DYNAMO), which leverages knowledge graphs to achieve continuous updating of new knowledge and integrates with large language models to fulfill dual functions: news authenticity detection and verification of new knowledge correctness, solving the two key problems of ensuring the authenticity of new knowledge and deeply mining news semantics. Specifically, we first construct a news-domain-specific knowledge graph. Then, we use Monte Carlo Tree Search to decompose complex news and verify them step by step. Finally, we extract and update new knowledge from verified real news texts and reasoning paths. Experimental results demonstrate that DYNAMO achieves the best performance on two real-world datasets.
• Abstract（参考訳）: インターネットとソーシャルメディアが急速に進化するにつれて、信頼できるニュースと大量の複雑な情報を区別することが大きな課題となっている。 ニュースイベントの急激さと不安定さのため、ニュースの真正性ラベルは、イベントが発達するにつれて変化する可能性があるため、最新のイベント更新を取得するためにフェイクニュース検出が不可欠である。 既存の手法では,知識ギャップを埋めるために検索強化世代を採用しているが,検索内容の信頼性の欠如やノイズ情報からの干渉といった問題に悩まされている。 本稿では,新しい知識の継続的な更新を実現するために知識グラフを活用し,新たな知識の真正性を確認すること,新しい知識の真正性を保証すること,ニュースセマンティクスを深く掘り下げることの2つの重要な問題を解決すること,という2つの機能を実現するために,新しい知識の継続的な更新を実現するための動的知識更新駆動モデル(DYNAMO)を提案する。 具体的には、まずニュースドメイン固有の知識グラフを構築する。 次に、Monte Carlo Tree Searchを使って複雑なニュースを分解し、ステップバイステップで検証します。 最後に、検証された実ニューステキストと推論パスから新しい知識を抽出し、更新する。 実験により、DYNAMOは2つの実世界のデータセット上で最高の性能を発揮することが示された。

関連論文リスト

• KGAlign: Joint Semantic-Structural Knowledge Encoding for Multimodal Fake News Detection [2.3047429933576327]
  本稿では,視覚的,テキスト的,知識に基づく表現を統合した,新しいマルチモーダルフェイクニュース検出フレームワークを提案する。 本提案では,知識基底型マルチモーダル推論という新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-05-18T13:08:38Z)
• Detect, Investigate, Judge and Determine: A Knowledge-guided Framework for Few-shot Fake News Detection [53.41813030290324]
  Few-Shot Fake News Detection (FS-FND) は、極めて低リソースのシナリオにおいて、非正確なニュースを実際のニュースと区別することを目的としている。 ソーシャルメディア上でのフェイクニュースの拡散や有害な影響により、このタスクは注目を集めている。 本稿では,内外からLLMを増強するDual-perspective Knowledge-Guided Fake News Detection (DKFND)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-12T03:15:01Z)
• Multiverse: Multilingual Evidence for Fake News Detection [71.51905606492376]
  Multiverseは、偽ニュースの検出に使用できる多言語エビデンスに基づく新機能である。 偽ニュース検出機能としての言語間証拠の使用仮説を確認した。
  論文  参考訳（メタデータ） (2022-11-25T18:24:17Z)
• Combining Machine Learning with Knowledge Engineering to detect Fake News in Social Networks-a survey [0.7120858995754653]
  ニュースメディアやソーシャルメディアでは、情報は高速に拡散されるが、正確性がないため、検出メカニズムは偽ニュースの拡散に対処するのに十分な速さでニュースを予測することができる。 本稿では,フェイクニュースとは何か,フェイクニュースの重要性,さまざまな領域におけるフェイクニュースの全体的影響,ソーシャルメディア上でフェイクニュースを検出するさまざまな方法,問題を克服する上で有効な既存の検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-20T07:43:15Z)
• Adversarial Active Learning based Heterogeneous Graph Neural Network for Fake News Detection [18.847254074201953]
  新規な偽ニュース検出フレームワークであるAdversarial Active Learning-based Heterogeneous Graph Neural Network(AA-HGNN)を提案する。 AA-HGNNは、特にラベル付きデータのあいまいさに直面している場合、学習性能を高めるためにアクティブな学習フレームワークを利用する。 2つの実世界のフェイクニュースデータセットによる実験により、我々のモデルはテキストベースのモデルや他のグラフベースのモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-27T05:05:25Z)
• An Event Correlation Filtering Method for Fake News Detection [0.0]
  既存のディープラーニングモデルは、偽ニュース検出の問題に取り組むために大きな進歩を遂げている。 偽ニュースの検出性能を向上させるために,ニュースのイベント相関を利用した。 イベント相関フィルタリング方式で偽ニュースを検出するためにECFMが提案されている。
  論文  参考訳（メタデータ） (2020-12-10T07:31:07Z)
• Fake News Detection on News-Oriented Heterogeneous Information Networks through Hierarchical Graph Attention [12.250335118888891]
  階層型グラフ注意ネットワーク(HGAT)という,新たなフェイクニュース検出フレームワークを提案する。 HGATは、新しい階層的な注意機構を使用して、HINでノード表現学習を行い、ニュース記事ノードを分類することでフェイクニュースを検出する。 2つの実世界のフェイクニュースデータセットの実験は、HGATがテキストベースのモデルや他のネットワークベースのモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2020-02-05T19:09:13Z)

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。