論文の概要: A Causal Graph Approach to Oppositional Narrative Analysis
- arxiv url: http://arxiv.org/abs/2603.06135v2
- Date: Tue, 10 Mar 2026 11:32:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-11 12:59:12.932071
- Title: A Causal Graph Approach to Oppositional Narrative Analysis
- Title（参考訳）: 対物的ナラティブ分析のための因果グラフアプローチ
- Authors: Diego Revilla, Martin Fernandez-de-Retana, Lingfeng Chen, Aritz Bilbao-Jayo, Miguel Fernandez-de-Retana,
- Abstract要約: 本稿では,対立する物語の検出,分析,分類のためのグラフベースのフレームワークを提案する。
提案手法は, グラフを最小部分グラフに蒸留することにより, 最終分類への各寄与の因果表現を導出する。
この表現に基づいて、既存の反対的思考分類よりも優れた分類パイプラインを導入する。
- 参考スコア（独自算出の注目度）: 0.3811184252495268
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current methods for textual analysis rely on data annotated within predefined ontologies, often embedding human bias within black-box models. Despite achieving near-perfect performance, these approaches exploit unstructured, linear pattern recognition rather than modeling the structured interactions between entities that naturally emerge in discourse. In this work, we propose a graph-based framework for the detection, analysis, and classification of oppositional narratives and their underlying entities by representing narratives as entity-interaction graphs. Moreover, by incorporating causal estimation at the node level, our approach derives a causal representation of each contribution to the final classification by distilling the constructed sentence graph into a minimal causal subgraph. Building upon this representation, we introduce a classification pipeline that outperforms existing approaches to oppositional thinking classification task.
- Abstract（参考訳）: テキスト分析の現在の手法は、事前に定義されたオントロジー内で注釈付けされたデータに依存しており、しばしばブラックボックスモデルに人間のバイアスを埋め込む。
ほぼ完全な性能を達成しているにもかかわらず、これらのアプローチは、自然に言論に現れるエンティティ間の構造的相互作用をモデル化するのではなく、非構造的、線形パターン認識を利用する。
本研究では,物語を実体間相互作用グラフとして表現することで,対立する物語とその基盤となる実体の検出,分析,分類のためのグラフベースのフレームワークを提案する。
さらに,ノードレベルでの因果推定を取り入れることで,構築した文グラフを最小の因果部分グラフに蒸留することにより,各寄与の因果表現を最終分類に導出する。
この表現に基づいて、既存の反対思考分類タスクよりも優れた分類パイプラインを導入する。
関連論文リスト
- Combating Spurious Correlations in Graph Interpretability via Self-Reflection [4.81017678027464]
解釈可能なグラフ学習は、機械学習において人気のある研究トピックである。
最も難しいのは、ICLR 2022で導入されたSpurious-Motifベンチマークである。
本稿では,既存の解釈可能なグラフ学習手法と統合可能な自己回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-16T06:31:16Z) - Causal Abstractions, Categorically Unified [9.341830361844337]
異なる抽象レベルで同じシステムを表す因果関係モデルを関連付けるための分類的枠組みを提案する。
我々のアプローチは、これまで考慮されていた因果的抽象化を統一し、一般化する。
本稿では,回路解析やスパースオートエンコーダなどの機械的解釈可能性からの手法をフレームワークに適合させる方法について論じる。
論文 参考訳（メタデータ） (2025-10-06T17:09:30Z) - Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳（メタデータ） (2025-02-12T04:07:12Z) - On Understanding Attention-Based In-Context Learning for Categorical Data [49.40350941996942]
我々は,アテンションブロックで構成されるネットワークを開発し,各ブロックに自己注意層を付加し,その後にクロスアテンション層と関連するスキップ接続を付加する。
このモデルは、カテゴリー的観察を伴う文脈内推論のための多段階機能的GD推論を正確に行うことができる。
論文 参考訳（メタデータ） (2024-05-27T15:03:21Z) - Detecting Statements in Text: A Domain-Agnostic Few-Shot Solution [1.3654846342364308]
最先端のアプローチは通常、作成にコストがかかる大規模な注釈付きデータセット上の微調整モデルを含む。
本稿では,クレームに基づくテキスト分類タスクの共通パラダイムとして,定性的で多目的な少ショット学習手法の提案とリリースを行う。
本手法は,気候変動対策,トピック/スタンス分類,うつ病関連症状検出の3つの課題の文脈で説明する。
論文 参考訳（メタデータ） (2024-05-09T12:03:38Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - SMiLE: Schema-augmented Multi-level Contrastive Learning for Knowledge
Graph Link Prediction [28.87290783250351]
リンク予測は、知識グラフにおけるエンティティ間の欠落したリンクを推測するタスクである。
本稿では,知識グラフリンク予測を行うための新しいマルチレベルコントラスト学習フレームワーク(SMiLE)を提案する。
論文 参考訳（メタデータ） (2022-10-10T17:40:19Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Neural Deepfake Detection with Factual Structure of Text [78.30080218908849]
テキストのディープフェイク検出のためのグラフベースモデルを提案する。
我々のアプローチは、ある文書の事実構造をエンティティグラフとして表現する。
本モデルでは,機械生成テキストと人文テキストの事実構造の違いを識別することができる。
論文 参考訳（メタデータ） (2020-10-15T02:35:31Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z)
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。