論文の概要: SARC: Sentiment-Augmented Deep Role Clustering for Fake News Detection

• arxiv url: http://arxiv.org/abs/2511.04692v1
• Date: Tue, 28 Oct 2025 18:26:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-16 06:38:30.986819
• Title: SARC: Sentiment-Augmented Deep Role Clustering for Fake News Detection
• Title（参考訳）: SARC: 偽ニュース検出のための感性強化されたDeep Role Clustering
• Authors: Jingqing Wang, Jiaxing Shang, Rong Xu, Fei Hao, Tianjin Huang, Geyong Min,
• Abstract要約: 本稿では,偽ニュースの検出を改善するために,ユーザロールを識別するSentiment-Augmented Role Clusteringフレームワークを提案する。 このフレームワークは、共同コメントテキスト表現と感情符号化によってユーザ機能を生成する。 次に、ユーザロールを自動的に分類するために、差別化可能なディープクラスタリングモジュールを構築する。
• 参考スコア（独自算出の注目度）: 34.76443346848599
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fake news detection has been a long-standing research focus in social networks. Recent studies suggest that incorporating sentiment information from both news content and user comments can enhance detection performance. However, existing approaches typically treat sentiment features as auxiliary signals, overlooking role differentiation, that is, the same sentiment polarity may originate from users with distinct roles, thereby limiting their ability to capture nuanced patterns for effective detection. To address this issue, we propose SARC, a Sentiment-Augmented Role Clustering framework which utilizes sentiment-enhanced deep clustering to identify user roles for improved fake news detection. The framework first generates user features through joint comment text representation (with BiGRU and Attention mechanism) and sentiment encoding. It then constructs a differentiable deep clustering module to automatically categorize user roles. Finally, unlike existing approaches which take fake news label as the unique supervision signal, we propose a joint optimization objective integrating role clustering and fake news detection to further improve the model performance. Experimental results on two benchmark datasets, RumourEval-19 and Weibo-comp, demonstrate that SARC achieves superior performance across all metrics compared to baseline models. The code is available at: https://github.com/jxshang/SARC.
• Abstract（参考訳）: フェイクニュースの検出は、ソーシャルネットワークで長年研究されてきた研究である。 近年の研究では,ニュースコンテンツとユーザコメントの両方から感情情報を取り入れることで,検出性能が向上することが示唆されている。 しかし、既存のアプローチでは、感情の特徴を補助的な信号として扱い、役割の分化を見越す、すなわち、同じ感情の極性は、異なる役割を持つユーザによって引き起こされる可能性があるため、効果的な検出のためにニュアンスされたパターンをキャプチャする能力を制限することができる。 この問題に対処するため,センセーション強化型ロールクラスタリングフレームワークであるSARCを提案する。 このフレームワークはまず,(BiGRUとアテンション機構を備えた)共同コメントテキスト表現と感情符号化によって,ユーザ機能を生成する。 次に、ユーザロールを自動的に分類するために、差別化可能なディープクラスタリングモジュールを構築する。 最後に、フェイクニュースラベルをユニークな監視信号とする既存のアプローチとは異なり、ロールクラスタリングとフェイクニュース検出を統合した共同最適化手法を提案し、モデル性能をさらに向上させる。 RumourEval-19とWeibo-compという2つのベンチマークデータセットの実験結果によると、SARCはベースラインモデルと比較して、すべてのメトリクスで優れたパフォーマンスを実現している。 コードは、https://github.com/jxshang/SARC.comで入手できる。

関連論文リスト

• Hierarchical Graph Interaction Transformer with Dynamic Token Clustering for Camouflaged Object Detection [57.883265488038134]
  本稿では,HGINetと呼ばれる階層的なグラフ相互作用ネットワークを提案する。 このネットワークは、階層的トークン化機能間の効果的なグラフ相互作用を通じて、知覚不能なオブジェクトを発見することができる。 本実験は,既存の最先端手法と比較して,HGINetの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-08-27T12:53:25Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
  自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
  論文  参考訳（メタデータ） (2022-07-28T18:40:30Z)
• Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
  インテント分類は、音声言語理解(SLU)における主要な課題である 近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。 本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-06-28T08:27:38Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)

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。