論文の概要: TEGRA: Text Encoding With Graph and Retrieval Augmentation for Misinformation Detection

• arxiv url: http://arxiv.org/abs/2602.11106v1
• Date: Wed, 11 Feb 2026 18:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:02.303863
• Title: TEGRA: Text Encoding With Graph and Retrieval Augmentation for Misinformation Detection
• Title（参考訳）: TEGRA:誤情報検出のためのグラフと検索拡張によるテキストエンコーディング
• Authors: Géraud Faye, Wassila Ouerdane, Guillaume Gadek, Céline Hudelot,
• Abstract要約: 提案手法は,構造化された情報をグラフ形式で抽出し,テキストとグラフの両方を分類目的に符号化することによって文書を統合する。 このハイブリッド表現は,言語モデルのみを用いた場合と比較して誤情報検出性能が向上することを示す。 さらに、ドメイン固有の知識を組み込んだフレームワークであるTEGRAを導入し、ほとんどの場合の分類精度をさらに高めます。
• 参考スコア（独自算出の注目度）: 5.17564166992289
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Misinformation detection is a critical task that can benefit significantly from the integration of external knowledge, much like manual fact-checking. In this work, we propose a novel method for representing textual documents that facilitates the incorporation of information from a knowledge base. Our approach, Text Encoding with Graph (TEG), processes documents by extracting structured information in the form of a graph and encoding both the text and the graph for classification purposes. Through extensive experiments, we demonstrate that this hybrid representation enhances misinformation detection performance compared to using language models alone. Furthermore, we introduce TEGRA, an extension of our framework that integrates domain-specific knowledge, further enhancing classification accuracy in most cases.
• Abstract（参考訳）: 誤情報検出は、手動の事実チェックのように、外部知識の統合から大きな恩恵を受けることができる重要なタスクである。 本研究では,知識ベースからの情報の取り込みを容易にする文書表現手法を提案する。 我々のアプローチであるText Encoding with Graph (TEG)は、構造化された情報をグラフ形式で抽出し、分類のためにテキストとグラフの両方を符号化することで文書を処理する。 広範にわたる実験により,このハイブリッド表現は,言語モデルのみを用いた場合と比較して誤情報検出性能を向上させることが実証された。 さらに、ドメイン固有の知識を統合したフレームワークであるTEGRAを導入し、ほとんどの場合の分類精度をさらに高める。

関連論文リスト

• SE-GCL: An Event-Based Simple and Effective Graph Contrastive Learning for Text Representation [23.60337935010744]
  テキスト表現のためのイベントベース,シンプル,効果的なグラフコントラスト学習(SE-GCL)を提案する。 正確には、テキストからイベントブロックを抽出し、意味的相互接続を表す内部関係グラフを構築する。 特に、コア表現セマンティクスのためのイベントスケルトンの概念を導入し、典型的には複雑なデータ拡張テクニックを単純化する。
  論文  参考訳（メタデータ） (2024-12-16T10:53:24Z)
• Bridging Local Details and Global Context in Text-Attributed Graphs [62.522550655068336]
  GraphBridgeは、コンテキストテキスト情報を活用することで、ローカルおよびグローバルな視点をブリッジするフレームワークである。 提案手法は最先端性能を実現し,グラフ対応トークン削減モジュールは効率を大幅に向上し,スケーラビリティの問題を解消する。
  論文  参考訳（メタデータ） (2024-06-18T13:35:25Z)
• Rule-Guided Joint Embedding Learning over Knowledge Graphs [2.797512394739081]
  本稿では,コンテキスト信号とテキスト信号の両方を実体と関係埋め込みに統合する新しいモデルを提案する。 文脈をよりよく活用するために、ルールベースの手法で計算された信頼度と、テキスト表現から派生した関連性という2つの指標を導入する。
  論文  参考訳（メタデータ） (2023-12-01T19:58:31Z)
• TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
  Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。 分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
  論文  参考訳（メタデータ） (2023-06-06T03:37:41Z)
• Multi-Document Scientific Summarization from a Knowledge Graph-Centric View [9.579482432715261]
  符号化処理と復号処理の両方において知識グラフを中心としたMDSSモデルであるKGSumを提案する。 具体的には、2つのグラフベースのモジュールが、知識グラフ情報を紙のエンコーディングに組み込むように提案されている。 復号処理では,まず要約の知識グラフ情報を記述文形式で生成し,次に最終要約を生成する2段復号器を提案する。
  論文  参考訳（メタデータ） (2022-09-09T14:20:59Z)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。