論文の概要: Reasoning About the Unsaid: Misinformation Detection with Omission-Aware Graph Inference

• arxiv url: http://arxiv.org/abs/2512.01728v1
• Date: Mon, 01 Dec 2025 14:37:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.899066
• Title: Reasoning About the Unsaid: Misinformation Detection with Omission-Aware Graph Inference
• Title（参考訳）: 未知情報に関する推論:Omission-Aware Graph Inferenceによる誤情報検出
• Authors: Zhengjia Wang, Danding Wang, Qiang Sheng, Jiaying Wu, Juan Cao,
• Abstract要約: 本報告では,誤情報検出のための最初の省略対応フレームワークであるOmiGraphについて述べる。 OmiGraphは、同じイベントの補完的な視点をキャプチャするコンテキスト環境を利用することで、ターゲットニュースに対する省略対応グラフを構築する。 実験により,提案手法は省略点の観点から,2つの大規模ベンチマークにおいて,+5.4% F1および+5.3% ACCの平均的な改善を達成し,優れた性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 21.664196874969544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the detection of misinformation, which deceives readers by explicitly fabricating misleading content or implicitly omitting important information necessary for informed judgment. While the former has been extensively studied, omission-based deception remains largely overlooked, even though it can subtly guide readers toward false conclusions under the illusion of completeness. To pioneer in this direction, this paper presents OmiGraph, the first omission-aware framework for misinformation detection. Specifically, OmiGraph constructs an omission-aware graph for the target news by utilizing a contextual environment that captures complementary perspectives of the same event, thereby surfacing potentially omitted contents. Based on this graph, omission-oriented relation modeling is then proposed to identify the internal contextual dependencies, as well as the dynamic omission intents, formulating a comprehensive omission relation representation. Finally, to extract omission patterns for detection, OmiGraph introduces omission-aware message-passing and aggregation that establishes holistic deception perception by integrating the omission contents and relations. Experiments show that, by considering the omission perspective, our approach attains remarkable performance, achieving average improvements of +5.4% F1 and +5.3% ACC on two large-scale benchmarks.
• Abstract（参考訳）: 本稿では,誤解を招くコンテンツを明示的に作成したり,情報判断に必要な重要な情報を暗黙的に省略することで,読者を欺く誤情報の検出について検討する。 前者は広く研究されているが、完全性の錯覚の下で読者を偽の結論へと導くことができるにもかかわらず、省略に基づく詐欺はほとんど見過ごされ続けている。 この方向を開拓するために,誤情報検出のための最初の省略対応フレームワークであるOmiGraphを提案する。 具体的には、同じイベントの相補的な視点を捉え、潜在的に省略されたコンテンツを推測するコンテキスト環境を利用することで、ターゲットニュースに対する省略対応グラフを構築する。 このグラフに基づいて、省略指向関係モデリングを提案し、内部の文脈依存性と動的省略意図を識別し、包括的な省略関係表現を定式化する。 最後に、検出のための省略パターンを抽出するために、省略内容と関係を統合することで、全体論的偽装認識を確立する、省略対応のメッセージパッシングとアグリゲーションを導入する。 実験により,提案手法は省略点の観点から,2つの大規模ベンチマークにおいて,+5.4% F1および+5.3% ACCの平均的な改善を達成し,優れた性能が得られることが示された。

関連論文リスト

• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Faithful Knowledge Graph Explanations for Commonsense Reasoning [7.242609314791262]
  言語モデル(LM)と知識グラフ(KG)の融合は、常識的質問応答において広く利用されている。 現在の手法は、しばしば忠実さをデコードするパスを見落とし、グラフエンコーダ出力とモデル予測の間にばらつきをもたらす。 本研究は,LM-KGのミスアライメントと相反する効果を,突発的な説明を引き起こす重要な要因として同定する。
  論文  参考訳（メタデータ） (2023-10-07T20:29:45Z)
• Goodhart's Law Applies to NLP's Explanation Benchmarks [57.26445915212884]
  ERASER(Comprehensiveness and sufficiency)メトリクスとEVAL-X(EVAL-X)メトリクスの2つのセットを批判的に検討する。 実験結果の予測や説明を変えることなく,モデル全体の包括性と充足率を劇的に向上させることができることを示す。 我々の結果は、現在のメトリクスが説明可能性の研究をガイドする能力に疑問を呈し、これらのメトリクスが正確に捉えるものを再評価する必要性を強調します。
  論文  参考訳（メタデータ） (2023-08-28T03:03:03Z)
• Integrating a Heterogeneous Graph with Entity-aware Self-attention using Relative Position Labels for Reading Comprehension Model [14.721615285883429]
  異種グラフからの推論知識を外部知識に頼らずにトランスフォーマーアーキテクチャに組み込む新しい注意パターンを導入する。 提案する注目パターンは, 単語トークンに対するグローバルな注意, グラフに関連付けられたトークンに対する強い注意を示すエンティティトークンに対するグラフの注意, 各エンティティトークンとワードトークンの関係のタイプを考慮した3つの重要な要素から構成される。 我々のモデルは、最先端のLUKE-GraphとベースラインのLUKEモデルの両方を2つの異なるデータセットで比較した。
  論文  参考訳（メタデータ） (2023-07-19T20:17:37Z)
• Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
  我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。 予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。 そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
  論文  参考訳（メタデータ） (2022-12-08T11:53:12Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• MINER: Improving Out-of-Vocabulary Named Entity Recognition from an Information Theoretic Perspective [57.19660234992812]
  NERモデルは標準のNERベンチマークで有望な性能を達成した。 近年の研究では、従来のアプローチはエンティティ参照情報に過度に依存し、OoV(out-of-vocabulary)エンティティ認識の性能が劣っていることが示されている。 我々は、情報理論の観点からこの問題を改善するための新しいNER学習フレームワークであるMINERを提案する。
  論文  参考訳（メタデータ） (2022-04-09T05:18:20Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• DisenE: Disentangling Knowledge Graph Embeddings [33.169388832519]
  DisenEは、非絡み合いの知識グラフの埋め込みを学習するためのエンドツーエンドフレームワークである。 我々は,モデルが与えられた関係に応じて,エンティティ埋め込みの関連コンポーネントに明示的に焦点を絞ることができるように,注意に基づく機構を導入する。
  論文  参考訳（メタデータ） (2020-10-28T03:45:19Z)

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。