論文の概要: FakeZero: Real-Time, Privacy-Preserving Misinformation Detection for Facebook and X
- arxiv url: http://arxiv.org/abs/2510.25932v1
- Date: Wed, 29 Oct 2025 20:11:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.557511
- Title: FakeZero: Real-Time, Privacy-Preserving Misinformation Detection for Facebook and X
- Title（参考訳）: FakeZero:FacebookとXのリアルタイムでプライバシー保護の誤情報検出
- Authors: Soufiane Essahli, Oussama Sarsar, Imane Fouad, Anas Motii, Ahmed Bentajer,
- Abstract要約: FakeZeroはクロスプラットフォームのブラウザエクステンションで、ユーザーがスクロールしている間にFacebookとX(以前のTwitter)の信頼できない投稿にフラグを付ける。
すべての計算、DOMスクラップ、トークン化、トランスフォーマー推論、UIレンダリングはChromiumメッセージングAPIを介してローカルに実行される。
FakeZeroは3段階のトレーニングカリキュラムを採用している: ベースラインの微調整とドメイン適応トレーニングは、焦点の喪失、敵の増強、訓練後の量子化によって強化される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social platforms distribute information at unprecedented speed, which in turn accelerates the spread of misinformation and threatens public discourse. We present FakeZero, a fully client-side, cross-platform browser extension that flags unreliable posts on Facebook and X (formerly Twitter) while the user scrolls. All computation, DOM scraping, tokenisation, Transformer inference, and UI rendering run locally through the Chromium messaging API, so no personal data leaves the device.FakeZero employs a three-stage training curriculum: baseline fine-tuning and domain-adaptive training enhanced with focal loss, adversarial augmentation, and post-training quantisation. Evaluated on a dataset of 239,000 posts, the DistilBERT-Quant model (67.6 MB) reaches 97.1% macro-F1, 97.4% accuracy, and an AUROC of 0.996, with a median latency of approximately 103 ms on a commodity laptop. A memory-efficient TinyBERT-Quant variant retains 95.7% macro-F1 and 96.1% accuracy while shrinking the model to 14.7 MB and lowering latency to approximately 40 ms, showing that high-quality fake-news detection is feasible under tight resource budgets with only modest performance loss.By providing inline credibility cues, the extension can serve as a valuable tool for policymakers seeking to curb the spread of misinformation across social networks. With user consent, FakeZero also opens the door for researchers to collect large-scale datasets of fake news in the wild, enabling deeper analysis and the development of more robust detection techniques.
- Abstract（参考訳）: 社会プラットフォームは前例のない速さで情報を配布し、結果的に誤報の拡散を加速させ、大衆の言論を脅かす。
FakeZeroは完全なクライアントサイドでクロスプラットフォームなブラウザエクステンションで、ユーザーがスクロールしている間にFacebookとX(以前のTwitter)の信頼できない投稿にフラグを付ける。
すべての計算、DOMスクラップ、トークン化、トランスフォーマー推論、UIレンダリングはChromiumメッセージングAPIを介してローカルに実行されるため、個人データはデバイスを離れない。FakeZeroは3段階のトレーニングカリキュラムを使用している。
239,000の投稿で評価され、 DistilBERT-Quantモデル(67.6 MB)は97.1%のマクロF1、97.4%の精度で、AUROCは0.996であり、平均遅延は約103msである。
メモリ効率の高いTinyBERT-Quantは、95.7%のマクロF1と96.1%の精度を維持し、モデルを14.7MBに縮小し、レイテンシを約40msに低下させ、高品質の偽ニュース検出は、厳格なリソース予算の下では適度なパフォーマンス損失しか得られないことを示す。
ユーザーの同意を得て、FakeZeroはまた、研究者がフェイクニュースの大規模なデータセットを野生で収集する扉を開く。
関連論文リスト
- Dac-Fake: A Divide and Conquer Framework for Detecting Fake News on Social Media [16.97434216951653]
本稿では,分割・征服戦略を用いた新しいフェイクニュース検出モデルであるDaCFakeを紹介する。
提案手法は,ニュース記事から80以上の言語的特徴を抽出し,単語の連続袋やスキップグラムモデルと統合することにより,検出精度を向上する。
我々は、Kaggle、McIntire + PolitiFact、Reuterの3つのデータセット上でのDaCFakeの性能を評価した。
論文 参考訳（メタデータ） (2025-08-22T08:52:33Z) - A Vision-Language Pre-training Model-Guided Approach for Mitigating Backdoor Attacks in Federated Learning [43.847168319564844]
視覚言語事前学習モデルのゼロショット学習機能を利用したFLバックドアディフェンスフレームワークCLIP-Fedを提案する。
本計画では, 防衛効果に課される非IIDの限界を克服し, 事前集約・後防衛戦略を統合する。
論文 参考訳（メタデータ） (2025-08-14T03:39:54Z) - Browser Extension for Fake URL Detection [0.0]
本稿では、機械学習モデルを用いてオンラインセキュリティを強化するBrowser Extensionを提案する。
提案手法はPhishing Webサイトの分類にLGBM分類器を用いる。
スパムメール検出のためのModel for Spamは、5500以上のメッセージを持つデータセットでトレーニングされたマルチノードNBアルゴリズムを使用している。
論文 参考訳（メタデータ） (2024-11-16T07:22:59Z) - How to Train Your Fact Verifier: Knowledge Transfer with Multimodal Open Models [95.44559524735308]
大規模言語またはマルチモーダルモデルに基づく検証は、偽コンテンツや有害コンテンツの拡散を緩和するためのオンラインポリシングメカニズムをスケールアップするために提案されている。
我々は,知識伝達の初期研究を通じて,継続的な更新を行うことなく基礎モデルの性能向上の限界をテストする。
最近の2つのマルチモーダルなファクトチェックベンチマークであるMochegとFakedditの結果は、知識伝達戦略がファクドディットのパフォーマンスを最先端よりも1.7%向上し、Mochegのパフォーマンスを2.9%向上させることができることを示唆している。
論文 参考訳（メタデータ） (2024-06-29T08:39:07Z) - Homomorphic WiSARDs: Efficient Weightless Neural Network training over encrypted data [3.3748750222488657]
比較的深い畳み込みニューラルネットワーク(CNN)においても、推論アルゴリズムの同型評価は実用的である
本研究は,Wilkie,Stonham,Aleksander's Recognition Device (WiSARD) とその後のWeightless Neural Networks (WNN) の同型評価を導入し,暗号化データのトレーニングと推論を行う。
論文 参考訳（メタデータ） (2024-03-29T14:09:59Z) - TeD-SPAD: Temporal Distinctiveness for Self-supervised
Privacy-preservation for video Anomaly Detection [59.04634695294402]
人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。
VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。
本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
論文 参考訳（メタデータ） (2023-08-21T22:42:55Z) - Machine Learning-based Automatic Annotation and Detection of COVID-19
Fake News [8.020736472947581]
新型コロナウイルス(COVID-19)は世界のあらゆる地域に影響を与えるが、感染の誤報はウイルスよりも速く移動した。
既存の作業は、拡散の触媒として働くボットの存在を無視する。
そこで本稿では,Twitterデータセット上で事実確認文をラベル付けする手法を提案する。
論文 参考訳（メタデータ） (2022-09-07T13:55:59Z) - Fake News Detection Using Majority Voting Technique [0.0]
我々は、偽ニュース記事を検出するための多数決アプローチを提案した。
20,800件のニュース記事のうち10,387件が本物、10,413件がバイナリ0,1とラベル付けされた偽ニュースである。
その結果,提案手法は96.38%,精度96%,リコール96%,F1測定96%を達成できた。
論文 参考訳（メタデータ） (2022-03-18T13:24:03Z) - FacTeR-Check: Semi-automated fact-checking through Semantic Similarity
and Natural Language Inference [61.068947982746224]
FacTeR-Checkは、ファクトチェックされた情報の検索、未確認のクレームの検証、ソーシャルメディア上での危険な情報の追跡を可能にする。
このアーキテクチャは、NLI19-SPと呼ばれる新しいデータセットを使って検証されている。
この結果から,各ベンチマークにおける最先端性能と,61種類のホアックスの時間経過に伴う進化の有用な解析結果が得られた。
論文 参考訳（メタデータ） (2021-10-27T15:44:54Z) - Adversarially robust deepfake media detection using fused convolutional
neural network predictions [79.00202519223662]
現在のディープフェイク検出システムは、目に見えないデータと戦っている。
ビデオから抽出した偽画像と実画像の分類には,CNN(Deep Convolutional Neural Network)モデルが3種類採用されている。
提案手法は96.5%の精度で最先端のモデルより優れている。
論文 参考訳（メタデータ） (2021-02-11T11:28:00Z) - Leveraging Multi-Source Weak Social Supervision for Early Detection of
Fake News [67.53424807783414]
ソーシャルメディアは、人々が前例のない速度でオンライン活動に参加することを可能にする。
この制限のないアクセスは、誤情報や偽ニュースの拡散を悪化させ、その緩和のために早期に検出されない限り混乱と混乱を引き起こす可能性がある。
ソーシャルエンゲージメントからの弱い信号とともに、限られた量のクリーンデータを活用して、メタラーニングフレームワークでディープニューラルネットワークをトレーニングし、さまざまな弱いインスタンスの品質を推定します。
実世界のデータセットの実験では、提案されたフレームワークは、予測時にユーザーエンゲージメントを使わずに、フェイクニュースを早期に検出するための最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2020-04-03T18:26:33Z)
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。