論文の概要: Effectiveness of Large Multimodal Models in Detecting Disinformation: Experimental Results

• arxiv url: http://arxiv.org/abs/2509.22377v1
• Date: Fri, 26 Sep 2025 14:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.484274
• Title: Effectiveness of Large Multimodal Models in Detecting Disinformation: Experimental Results
• Title（参考訳）: 偽情報検出における大規模マルチモーダルモデルの有効性:実験結果
• Authors: Yasmina Kheddache, Marc Lalonde,
• Abstract要約: 本研究では,偽情報の検出・緩和における大規模マルチモーダルモデルの可能性について検討する。 本稿では,GPT-4oモデルの高度な機能を活用し,マルチモーダルな偽情報検出手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of disinformation, particularly in multimodal contexts combining text and images, presents a significant challenge across digital platforms. This study investigates the potential of large multimodal models (LMMs) in detecting and mitigating false information. We propose to approach multimodal disinformation detection by leveraging the advanced capabilities of the GPT-4o model. Our contributions include: (1) the development of an optimized prompt incorporating advanced prompt engineering techniques to ensure precise and consistent evaluations; (2) the implementation of a structured framework for multimodal analysis, including a preprocessing methodology for images and text to comply with the model's token limitations; (3) the definition of six specific evaluation criteria that enable a fine-grained classification of content, complemented by a self-assessment mechanism based on confidence levels; (4) a comprehensive performance analysis of the model across multiple heterogeneous datasets Gossipcop, Politifact, Fakeddit, MMFakeBench, and AMMEBA highlighting GPT-4o's strengths and limitations in disinformation detection; (5) an investigation of prediction variability through repeated testing, evaluating the stability and reliability of the model's classifications; and (6) the introduction of confidence-level and variability-based evaluation methods. These contributions provide a robust and reproducible methodological framework for automated multimodal disinformation analysis.
• Abstract（参考訳）: 偽情報の拡散、特にテキストと画像を組み合わせたマルチモーダルな文脈では、デジタルプラットフォーム間で大きな課題が示される。 本研究では,大規模なマルチモーダルモデル(LMM)が誤情報を検出・緩和する可能性について検討する。 本稿では,GPT-4oモデルの高度な機能を活用し,マルチモーダルな偽情報検出手法を提案する。 本研究は,(1) 高精度で一貫した評価を実現するための高度プロンプトエンジニアリング技術の導入,(2) モデルのトークン制限を満たすための画像やテキストの事前処理手法を含む,マルチモーダル解析のための構造化されたフレームワークの実装,(3) 信頼度に基づく自己評価機構を補完する,コンテンツのきめ細かい分類を可能にする6つの特定の評価基準の定義,(4) 複数種類の異種データセットを対象としたモデルの総合的なパフォーマンス解析,(4) 情報検出におけるGPT-4oの強度と限界を強調したMMFakeBench, AMMEBA, (5) モデルの信頼性と信頼性の検証,6) 信頼性評価手法の導入,などである。 これらのコントリビューションは、マルチモーダル情報の自動解析のための堅牢で再現可能な方法論のフレームワークを提供する。

関連論文リスト

• Consistency of Feature Attribution in Deep Learning Architectures for Multi-Omics [0.36646002427839136]
  マルチオミクスデータに適用した多視点深層学習モデルにおけるShapley Additive Explanations (SHAP)の使用について検討する。 SHAPによる機能ランキングは、メソッドの一貫性を評価するために様々なアーキテクチャで比較される。 本稿では,重要な生体分子の同定の堅牢性を評価する方法を提案する。
  論文  参考訳（メタデータ） (2025-07-30T17:53:42Z)
• Towards transparent and data-driven fault detection in manufacturing: A case study on univariate, discrete time series [0.0]
  本稿では,データ駆動型および透過型の両方の産業的故障検出手法を提案する。 このアプローチは、マルチクラスの障害分類のための教師付き機械学習モデル、ポストホック解釈のためのShapley Additive Explanations、do-main-specific visualization techniqueを統合する。 本システムは, 故障検出精度95.9 %を達成し, 定量的選択性解析と定性評価の両方で, 発生した説明の妥当性と解釈性を確認した。
  論文  参考訳（メタデータ） (2025-06-30T14:11:48Z)
• An Uncertainty-Aware Dynamic Decision Framework for Progressive Multi-Omics Integration in Classification Tasks [6.736267874971369]
  我々は、オミクスデータ分類のための不確実性を考慮したマルチビュー動的決定フレームワークを提案する。 ヘテロジニアスなモジュラリティを統合するために、Dempster-Shafer理論に基づく融合戦略を用いる。 3つのデータセットでは、50%以上のケースが、単一のオミクスモダリティを使用して正確に分類された。
  論文  参考訳（メタデータ） (2025-06-20T13:44:14Z)
• Multimodal Magic Elevating Depression Detection with a Fusion of Text and Audio Intelligence [4.92323103166693]
  本研究では,抑うつ分類の精度を高めるために,教師-学生アーキテクチャに基づく革新的なマルチモーダル融合モデルを提案する。 本設計モデルは,マルチヘッドアテンション機構と重み付きマルチモーダルトランスファー学習を導入することで,特徴融合とモダリティウェイトアロケーションにおける従来の手法の限界に対処する。 アブレーション実験により,提案モデルがF1スコアの99.1%をテストセットで達成し,単調な手法や従来の手法を著しく上回った。
  論文  参考訳（メタデータ） (2025-01-28T09:30:29Z)
• Quantifying & Modeling Multimodal Interactions: An Information Decomposition Framework [89.8609061423685]
  本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。 PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。 本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
  論文  参考訳（メタデータ） (2023-02-23T18:59:05Z)
• Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
  信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。 TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2022-04-25T03:48:49Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)

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。