論文の概要: Enhancing Fake-News Detection with Node-Level Topological Features

• arxiv url: http://arxiv.org/abs/2512.09974v2
• Date: Thu, 18 Dec 2025 07:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 14:03:03.2135
• Title: Enhancing Fake-News Detection with Node-Level Topological Features
• Title（参考訳）: ノードレベル位相特徴を用いたフェイクニュース検出の強化
• Authors: Kaiyuan Xu,
• Abstract要約: ハブとコミュニティの役割を明確にフラグ付けするために,各ノードに軽量な拡張を導入する。 UPFD Politifactサブセットでは、この単純な修正により、マクロF1はオリジナルのベースラインよりも0.7753から0.8344に向上する。 本研究は,偽ニュース検出における明示的トポロジー特徴の実用的価値を実証するだけでなく,他の情報拡散タスクにおいてグラフメトリクスを融合するための解釈可能かつ容易に再現可能なテンプレートも提供する。
• 参考スコア（独自算出の注目度）: 1.4878742542629306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the proliferation of misinformation and fake news has posed serious threats to individuals and society, spurring intense research into automated detection methods. Previous work showed that integrating content, user preferences, and propagation structure achieves strong performance, but leaves all graph-level representation learning entirely to the GNN, hiding any explicit topological cues. To close this gap, we introduce a lightweight enhancement: for each node, we append two classical graph-theoretic metrics, degree centrality and local clustering coefficient, to its original BERT and profile embeddings, thus explicitly flagging the roles of hub and community. In the UPFD Politifact subset, this simple modification boosts macro F1 from 0.7753 to 0.8344 over the original baseline. Our study not only demonstrates the practical value of explicit topology features in fake-news detection but also provides an interpretable, easily reproducible template for fusing graph metrics in other information-diffusion tasks.
• Abstract（参考訳）: 近年では、誤報や偽ニュースの拡散が個人や社会に深刻な脅威をもたらし、自動検知法の研究が盛んに進められている。 これまでの研究によると、コンテンツ、ユーザの好み、伝播構造の統合は強力なパフォーマンスを実現するが、グラフレベルの表現学習はすべてGNNに委ねられ、明確なトポロジカルな手がかりは隠されている。 このギャップを埋めるために、各ノードに対して、2つの古典グラフ理論メトリクス、次数集中度と局所クラスタリング係数を元のBERTとプロファイル埋め込みに付加し、ハブとコミュニティの役割を明確にフラグ付けする。 UPFD Politifactサブセットでは、この単純な修正により、マクロF1はオリジナルのベースラインよりも0.7753から0.8344に向上する。 本研究は,偽ニュース検出における明示的トポロジー特徴の実用的価値を実証するだけでなく,他の情報拡散タスクにおいてグラフメトリクスを融合するための解釈可能かつ容易に再現可能なテンプレートも提供する。

関連論文リスト

• FTF-ER: Feature-Topology Fusion-Based Experience Replay Method for Continual Graph Learning [12.050104684013622]
  本稿では,FTF-ER(Feature-Topology Fusion-based Experience Replay)と呼ばれる新しい手法を提案する。 FTF-ERには特徴情報とグローバルトポロジ情報の両方が含まれており、サンプルノードの有効性を大幅に改善することができる。 OGB-Arxivデータセットでは、AAが3.6%、AFが7.1%の大幅な改善を実現し、クラス増分学習環境での優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-07-28T08:39:28Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• FedTAD: Topology-aware Data-free Knowledge Distillation for Subgraph Federated Learning [12.834423184614849]
  サブグラフフェデレートラーニング(Subgraph Federated Learning, Subgraph-FL)は、マルチクライアントサブグラフによるグラフニューラルネットワーク(GNN)の協調トレーニングを容易にする。 ノードとトポロジの変化は、複数のローカルGNNのクラスレベルの知識信頼性に大きな違いをもたらす。 本研究では,局所モデルからグローバルモデルへの信頼性の高い知識伝達を促進するために,トポロジ対応データフリーな知識蒸留技術(FedTAD)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T10:19:02Z)
• LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection [2.6396287656676725]
  Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。 我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2024-02-13T12:02:37Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)

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。