論文の概要: Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection

• arxiv url: http://arxiv.org/abs/2603.25203v1
• Date: Thu, 26 Mar 2026 09:08:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.205421
• Title: Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection
• Title（参考訳）: マルチモーダル誤情報検出のための確率論的概念グラフ推論
• Authors: Ruichao Yang, Wei Gao, Xiaobin Zhu, Jing Ma, Hongzhan Lin, Ziyang Luo, Bo-Wen Zhang, Xu-Cheng Yin,
• Abstract要約: 確率論的概念グラフ推論(PCGR)は,マルチモーダルな誤情報検出を構造化および概念ベース推論として再構成する,解釈可能かつ進化可能なフレームワークである。 PCGRは、最先端のMDD精度と、新たな操作タイプに対する堅牢性を達成し、粗い検出ときめ細かい操作認識の両方において、先行手法より優れている。
• 参考スコア（独自算出の注目度）: 50.08054676999716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal misinformation poses an escalating challenge that often evades traditional detectors, which are opaque black boxes and fragile against new manipulation tactics. We present Probabilistic Concept Graph Reasoning (PCGR), an interpretable and evolvable framework that reframes multimodal misinformation detection (MMD) as structured and concept-based reasoning. PCGR follows a build-then-infer paradigm, which first constructs a graph of human-understandable concept nodes, including novel high-level concepts automatically discovered and validated by multimodal large language models (MLLMs), and then applies hierarchical attention over this concept graph to infer claim veracity. This design produces interpretable reasoning chains linking evidence to conclusions. Experiments demonstrate that PCGR achieves state-of-the-art MMD accuracy and robustness to emerging manipulation types, outperforming prior methods in both coarse detection and fine-grained manipulation recognition.
• Abstract（参考訳）: マルチモーダルな誤報は、しばしば従来の検知器を回避し、不透明なブラックボックスであり、新しい操作戦術に脆弱な、エスカレートする課題を引き起こす。 本稿では,マルチモーダル誤情報検出(MMD)を構造化および概念ベース推論として再構成する,解釈可能かつ進化可能なフレームワークである確率論的概念グラフ推論(PCGR)を提案する。 PCGRは、まず、マルチモーダルな大規模言語モデル(MLLM)によって自動的に発見され、検証される新しいハイレベルな概念を含む、人間の理解可能な概念ノードのグラフを構築し、その後、この概念グラフに対して階層的な注意を払ってクレームの妥当性を推測する。 この設計は、証拠と結論をリンクする解釈可能な推論連鎖を生成する。 実験により、PCGRは、最先端のMDD精度と、新たな操作タイプに対する堅牢性を達成し、粗い検出ときめ細かい操作認識の両方において、先行手法より優れていることが示された。

関連論文リスト

• Towards Faithful Multimodal Concept Bottleneck Models [0.07329200485567826]
  概念ボトルネックモデル(Concept Bottleneck Models、CBM)は、人間の解釈可能な概念の層を通して予測をルーティングする解釈可能なモデルである。 本稿では,概念検出と漏洩軽減を共同で狙う視覚言語バックボーン上に構築されたマルチモーダルCBMフレームワークであるf-CBMを紹介する。 実験により、f-CBMはタスク精度、概念検出、リーク低減の最良のトレードオフを実現することが示された。
  論文  参考訳（メタデータ） (2026-03-13T16:56:08Z)
• Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
  テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。 本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。 その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
  論文  参考訳（メタデータ） (2026-01-07T16:39:34Z)
• Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality [52.57416398859353]
  因果的最小性は、明確な因果的解釈と頑健でコンポーネント単位で識別可能な制御を持つ拡散視覚と自己回帰言語モデルの潜在表現を許容できることを示す。 我々は階層的選択モデルのための新しい理論的枠組みを導入し、より高レベルな概念は低レベルの変数の制約された構成から生まれる。 これらの因果的基礎を持つ概念は、きめ細かいモデルステアリングのレバーとして機能し、透明で信頼性の高いシステムへの道を開く。
  論文  参考訳（メタデータ） (2025-12-11T14:59:14Z)
• Beyond Patches: Mining Interpretable Part-Prototypes for Explainable AI [10.687381287384524]
  意味のある領域から解釈可能なプロトタイプを学習するために,PCMNet(Part-prototypeal concept mining network)を提案する。 PCMNetはプロトタイプを概念グループにクラスタし、追加のアノテーションを必要とせずに意味論的に基礎化された説明を作成する。 実験の結果,PCMNetはクリーンで隠蔽されたシナリオ下で高いレベルの解釈可能性,安定性,堅牢性を提供できることがわかった。
  論文  参考訳（メタデータ） (2025-04-16T15:48:21Z)
• Extracting Interpretable Logic Rules from Graph Neural Networks [7.262955921646328]
  グラフニューラルネットワーク(GNN)は入力特徴空間とグラフ構造の両方で動作する。 本稿では,GNN から解釈可能な論理規則を抽出するための新しいフレームワーク LOGI CXGNN を提案する。 LOGI CXGNNはモデルに依存しず、効率的で、データ駆動であり、事前定義された概念は不要である。
  論文  参考訳（メタデータ） (2025-03-25T09:09:46Z)
• Contrastive Token-level Explanations for Graph-based Rumour Detection [4.626073646852022]
  ソーシャルメディアは、経済を混乱させ、政治的成果に影響を与え、公衆衛生の危機を悪化させる有害な噂の拡散を促進してきた。 グラフニューラルネットワーク(GNN)ベースのアプローチは、自動噂検出において大きな可能性を秘めている。 既存のグラフ説明可能性技術は、高次元テキスト埋め込みにおける特徴次元間の依存関係によって生じる固有の課題に対処するには不十分である。
  論文  参考訳（メタデータ） (2025-02-05T07:14:11Z)
• Cantor: Inspiring Multimodal Chain-of-Thought of MLLM [83.6663322930814]
  視覚的コンテキスト獲得と論理的推論の集約は、視覚的推論タスクに取り組む上で重要であると我々は主張する。 我々はCantorと呼ばれる革新的なマルチモーダルCoTフレームワークを提案し、その特徴は知覚決定アーキテクチャである。 提案手法の有効性を実証し,マルチモーダルCoT性能の大幅な向上を示した。
  論文  参考訳（メタデータ） (2024-04-24T17:59:48Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Understanding Masked Autoencoders via Hierarchical Latent Variable Models [109.35382136147349]
  Masked Autoencoder (MAE) は近年,様々な視覚タスクにおいて顕著な成功を収めている。 MAEに関する興味深い経験的観察の出現にもかかわらず、理論的に原理化された理解はいまだに欠如している。
  論文  参考訳（メタデータ） (2023-06-08T03:00:10Z)

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。