論文の概要: Nip Rumors in the Bud: Retrieval-Guided Topic-Level Adaptation for Test-Time Fake News Video Detection

• arxiv url: http://arxiv.org/abs/2601.11981v1
• Date: Sat, 17 Jan 2026 09:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.405557
• Title: Nip Rumors in the Bud: Retrieval-Guided Topic-Level Adaptation for Test-Time Fake News Video Detection
• Title（参考訳）: バグのニップ噂:検索ガイド付きトピックレベル適応によるテストタイムフェイクニュースビデオ検出
• Authors: Jian Lang, Rongpei Hong, Ting Zhong, Yong Wang, Fan Zhou,
• Abstract要約: 我々は、未確認ニュースビデオへのテストタイム適応を可能にする最初のフレームワークであるRADARを紹介する。 本稿では,エントロピー選択に基づく検索機構を提案する。 また、不安定なインスタンスの表現をソースドメインに明示的にアライメントする安定アンカーガイドアライメントモジュールも導入しています。
• 参考スコア（独自算出の注目度）: 32.497044980186544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fake News Video Detection (FNVD) is critical for social stability. Existing methods typically assume consistent news topic distribution between training and test phases, failing to detect fake news videos tied to emerging events and unseen topics. To bridge this gap, we introduce RADAR, the first framework that enables test-time adaptation to unseen news videos. RADAR pioneers a new retrieval-guided adaptation paradigm that leverages stable (source-close) videos from the target domain to guide robust adaptation of semantically related but unstable instances. Specifically, we propose an Entropy Selection-Based Retrieval mechanism that provides videos with stable (low-entropy), relevant references for adaptation. We also introduce a Stable Anchor-Guided Alignment module that explicitly aligns unstable instances' representations to the source domain via distribution-level matching with their stable references, mitigating severe domain discrepancies. Finally, our novel Target-Domain Aware Self-Training paradigm can generate informative pseudo-labels augmented by stable references, capturing varying and imbalanced category distributions in the target domain and enabling RADAR to adapt to the fast-changing label distributions. Extensive experiments demonstrate that RADAR achieves superior performance for test-time FNVD, enabling strong on-the-fly adaptation to unseen fake news video topics.
• Abstract（参考訳）: フェイクニュースビデオ検出(FNVD)は社会の安定に重要である。 既存の手法では、トレーニングとテストフェーズ間の一貫性のあるニューストピックの配信を前提としており、新興イベントや目に見えないトピックに関連する偽ニュースビデオの検出に失敗している。 このギャップを埋めるために、未確認のニュースビデオへのテストタイム適応を可能にする最初のフレームワークであるRADARを紹介します。 RADARは、ターゲットドメインからの安定した(ソースクローズ)ビデオを利用して、セマンティック関連だが不安定なインスタンスの堅牢な適応を導く新しい検索誘導適応パラダイムを開拓した。 具体的には,エントロピー選択に基づく検索機構を提案する。 また、不安定なインスタンスの表現をソースドメインに明示的にアライメントする安定アンカーガイドアライメントモジュールも導入しています。 最後に,我々の新しい自己学習パラダイムであるTarget-Domain Aware Self-Trainingは,安定した参照によって強化された情報的擬似ラベルを生成し,ターゲット領域における変化および不均衡なカテゴリ分布をキャプチャし,RADARが高速に変化するラベル分布に適応できるようにする。 大規模な実験により、RADARはテストタイムのFNVDに対して優れた性能を達成し、偽ニュースビデオのトピックに対して、オンザフライで強力な適応を可能にすることが実証された。

関連論文リスト

• Steering Vision-Language Pre-trained Models for Incremental Face Presentation Attack Detection [62.89126207012712]
  顔提示攻撃検出(PAD)は、スプーフィング戦術やドメインと戦うために漸進的な学習を要求する。 過去のデータ保持を禁止し、リハーサルフリーラーニング(RF-IL)を必要とするプライバシー規制
  論文  参考訳（メタデータ） (2025-12-22T04:30:11Z)
• Self-Supervised Visual Prompting for Cross-Domain Road Damage Detection [21.137567686181438]
  私たちのフレームワークは、ラベルなしでターゲットドメインを視覚的に調査する、自己管理型のフレームワークです。 強い監督、自己監督、適応のベースラインを 常に上回っています これらの結果は、スケーラブルで適応的な視覚検査システムを構築するための実践的な方向性として、自己監督的プロンプトを強調している。
  論文  参考訳（メタデータ） (2025-11-16T01:28:45Z)
• Out-of-Context Misinformation Detection via Variational Domain-Invariant Learning with Test-Time Training [7.447483980331488]
  Out-of-context misinformation (OOC) は、ニュース報道における低コストな誤報形式である。 我々は,OOC誤情報検出のための領域適応能力を高めるために textbfVDT を提案する。
  論文  参考訳（メタデータ） (2025-11-13T11:34:26Z)
• SteeringTTA: Guiding Diffusion Trajectories for Robust Test-Time-Adaptation [10.159672026403097]
  テスト時間適応(TTA)は、未ラベルのテストデータを用いてモデルや入力を更新することにより、分散シフト下でのディープモデルの性能劣化を補正することを目的としている。 本稿では,Fynman-Kac ステアリングを応用し,擬似ラベルによる報酬付き分類のための拡散型入力適応を導出する推論専用フレームワークである SteeringTTA を提案する。
  論文  参考訳（メタデータ） (2025-10-16T12:46:53Z)
• Uncertainty-quantified Rollout Policy Adaptation for Unlabelled Cross-domain Temporal Grounding [59.09971455857609]
  Video Temporal Groundingは、長いビデオの中で自然言語の記述と一致するビデオセグメントを時間的に見つけることを目的としている。 本稿では,データ効率のよいクロスドメイン時間グラウンド法を提案する。 この方法では、ターゲットアノテーションの必要性を排除し、計算とストレージの両方のオーバーヘッドをリアルタイムで実行できるほど低く保つ。
  論文  参考訳（メタデータ） (2025-08-08T13:47:00Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)
• Predicting Class Distribution Shift for Reliable Domain Adaptive Object Detection [2.5193191501662144]
  Unsupervised Domain Adaptive Object Detection (UDA-OD) は、オープンワールド環境におけるロボットビジョンシステムの信頼性を向上させるために、非ラベルデータを使用する。 自己学習に基づくUDA-ODに対する従来のアプローチは、画像の一般的な外観の変化を克服するのに有効である。 本稿では,自己学習における疑似ラベルの信頼性を向上させるために,クラス分散シフトに明示的に対処するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-13T00:46:34Z)

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。