論文の概要: Graph Neural Networks for Misinformation Detection: Performance-Efficiency Trade-offs

• arxiv url: http://arxiv.org/abs/2604.08131v1
• Date: Thu, 09 Apr 2026 11:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.89654
• Title: Graph Neural Networks for Misinformation Detection: Performance-Efficiency Trade-offs
• Title（参考訳）: 誤情報検出のためのグラフニューラルネットワーク:性能効率トレードオフ
• Authors: Soveatin Kuntur, Maciej Krzywda, Anna Wróblewska, Marcin Paprzycki, Maria Ganzha, Szymon Łukasik, Amir H. Gandomi,
• Abstract要約: グラフニューラルネットワーク(GNN)を非グラフベース機械学習手法と比較する。 すべてのモデルは、リレーショナル構造の影響を分離するために、同じTF-IDF特徴を使用する。 GNNは、すべてのデータセットで非グラフベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 9.754051234251827
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The rapid spread of online misinformation has led to increasingly complex detection models, including large language models and hybrid architectures. However, their computational cost and deployment limitations raise concerns about practical applicability. In this work, we benchmark graph neural networks (GNNs) against non-graph-based machine learning methods under controlled and comparable conditions. We evaluate lightweight GNN architectures (GCN, GraphSAGE, GAT, ChebNet) against Logistic Regression, Support Vector Machines, and Multilayer Perceptrons across seven public datasets in English, Indonesian, and Polish. All models use identical TF-IDF features to isolate the impact of relational structure. Performance is measured using F1 score, with inference time reported to assess efficiency. GNNs consistently outperform non-graph baselines across all datasets. For example, GraphSAGE achieves 96.8% F1 on Kaggle and 91.9% on WELFake, compared to 73.2% and 66.8% for MLP, respectively. On COVID-19, GraphSAGE reaches 90.5% F1 vs. 74.9%, while ChebNet attains 79.1% vs. 66.4% on FakeNewsNet. These gains are achieved with comparable or lower inference times. Overall, the results show that classic GNNs remain effective and efficient, challenging the need for increasingly complex architectures in misinformation detection.
• Abstract（参考訳）: オンラインの誤報が急速に広まり、大規模な言語モデルやハイブリッドアーキテクチャを含む、ますます複雑な検出モデルがもたらされた。 しかし、それらの計算コストとデプロイメントの制限は、実用性への懸念を引き起こす。 本研究では,グラフニューラルネットワーク(GNN)を,制御条件と等価条件下での非グラフベース機械学習手法と比較する。 我々は,GNNの軽量アーキテクチャ (GCN, GraphSAGE, GAT, ChebNet) を,ロジスティック回帰, サポートベクトルマシン, 多層パーセプトロンに対して, 英語, インドネシア語, ポーランド語の7つの公開データセットで評価した。 すべてのモデルは、リレーショナル構造の影響を分離するために、同じTF-IDF特徴を使用する。 性能はF1スコアを用いて測定され、予測時間は効率を評価するために報告される。 GNNは、すべてのデータセットで非グラフベースラインを一貫して上回る。 例えば、GraphSAGEはKaggleで96.8%、WELFakeで91.9%を達成し、それぞれ73.2%、MLPで66.8%を達成している。 COVID-19では、GraphSAGEが90.5%、74.9%、ChebNetが79.1%、FakeNewsNetが66.4%に達している。 これらの利得は、推論時間に等しいか低いかで達成される。 全体として、古典的なGNNは効率的で効率的なままであり、誤情報検出においてますます複雑なアーキテクチャの必要性に挑戦している。

関連論文リスト

• LPS-GNN : Deploying Graph Neural Networks on Graphs with 100-Billion Edges [22.66363194587289]
  本稿では,LPS-GNNと呼ばれる拡張性,低コスト,フレキシブル,効率的なGNNフレームワークを提案する。 10時間で1つのGPUで1000億グラフの表現学習を実行し、ユーザ獲得シナリオを13.8%改善した。 LPS-GNNは、パブリックおよび現実世界のデータセットでテストされており、オンラインアプリケーションにおけるSOTAモデルよりも8.24%から13.89%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2025-07-19T10:44:26Z)
• Is Graph Convolution Always Beneficial For Every Feature? [14.15740180531667]
  The Topological Feature Informativeness (TFI) is a novel metric to distinguish between GNN-favored and GNN-favored features。 本稿では,GNNとGNNが好む特徴を別々に処理する簡易かつ効果的なグラフ特徴選択法を提案する。
  論文  参考訳（メタデータ） (2024-11-12T09:28:55Z)
• A Comparative Analysis of CNN-based Deep Learning Models for Landslide Detection [0.0]
  インド北部とネパールの地すべりは大きな破壊をもたらし、インフラを損傷し、地域社会に脅威を与えている。 近年のインド北部とネパールの地すべりは、大きな破壊を招き、インフラを損傷し、地域社会に脅威を与えている。 ディープラーニング技術の一種であるCNNは、画像処理において顕著な成功を収めている。
  論文  参考訳（メタデータ） (2024-08-03T07:20:10Z)
• GCF: Graph Convolutional Networks for Facial Expression Recognition [0.0]
  表情認識のためのグラフ畳み込みネットワーク(CNN)を提案する。 GCFは、カスタムアーキテクチャまたは事前訓練されたモデルを使用して、機能抽出のためにCNNを統合する。 CK+, JAFFE, FERGなどのベンチマークデータセット上でGCFを評価する。
  論文  参考訳（メタデータ） (2024-07-02T15:27:33Z)
• 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)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• Graph Neural Network for Accurate and Low-complexity SAR ATR [2.9766397696234996]
  高精度かつ低レイテンシなSAR ATRを実現するために,グラフニューラルネットワーク(GNN)モデルを提案する。 提案したGNNモデルは計算複雑性が低く,高い精度を実現する。 現状のCNNと比較して、提案したGNNモデルは、計算コストが1/3000、モデルサイズが1/80である。
  論文  参考訳（メタデータ） (2023-05-11T20:17:41Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
  本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。 グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
  論文  参考訳（メタデータ） (2021-02-12T21:52:43Z)
• Combining Label Propagation and Simple Models Out-performs Graph Neural Networks [52.121819834353865]
  多くの標準的なトランスダクティブノード分類ベンチマークでは、最先端のGNNの性能を超えたり、一致させることができる。 これをC&S(Correct and Smooth)と呼ぶ。 我々のアプローチは、様々なベンチマークで最先端のGNNの性能を上回るか、ほぼ一致している。
  論文  参考訳（メタデータ） (2020-10-27T02:10:52Z)

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。