Fugu-MT 論文翻訳(概要): Clickbait detection: quick inference with maximum impact

論文の概要: Clickbait detection: quick inference with maximum impact

arxiv url: http://arxiv.org/abs/2604.08148v1
Date: Thu, 09 Apr 2026 12:09:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-10 18:34:05.902875
Title: Clickbait detection: quick inference with maximum impact
Title（参考訳）: クリックベイト検出:最大衝撃による高速推論
Authors: Soveatin Kuntur, Panggih Kusuma Ningrum, Anna Wróblewska, Maria Ganzha, Marcin Paprzycki,
Abstract要約: そこで我々は,OpenAIセマンティック埋め込みと6つのコンパクトな特徴を組み合わせ,スタイリスティックかつ情報的手法を取り入れた,クリックベイト検出のための軽量ハイブリッド手法を提案する。グラフベースモデルでは,推定時間を大幅に短縮することで,競争性能が向上することを示す。高いROC-Boost-値はさらに強力な識別能力を示し、様々な決定しきい値の下でクリックベイトの見出しを確実に検出する。
参考スコア（独自算出の注目度）: 6.26348184438423
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We propose a lightweight hybrid approach to clickbait detection that combines OpenAI semantic embeddings with six compact heuristic features capturing stylistic and informational cues. To improve efficiency, embeddings are reduced using PCA and evaluated with XGBoost, GraphSAGE, and GCN classifiers. While the simplified feature design yields slightly lower F1-scores, graph-based models achieve competitive performance with substantially reduced inference time. High ROC--AUC values further indicate strong discrimination capability, supporting reliable detection of clickbait headlines under varying decision thresholds.
Abstract（参考訳）: そこで本研究では,OpenAIセマンティック埋め込みと,スタイリスティックおよび情報キューをキャプチャする6つのコンパクトヒューリスティック特徴を組み合わせた,クリックベイト検出のための軽量ハイブリッド手法を提案する。効率を向上させるため、PCAを用いて埋め込みを減らし、XGBoost、GraphSAGE、GCN分類器で評価する。単純化された特徴設計はF1スコアをわずかに下げるが、グラフベースのモデルは推論時間を大幅に削減して競合性能を達成する。高いROC-AUC値はさらに強力な識別能力を示し、様々な決定しきい値の下でクリックベイトの見出しを確実に検出する。

関連論文リスト

Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
論文参考訳（メタデータ） (2026-02-08T16:06:12Z)
Intelligent recognition of GPR road hidden defect images based on feature fusion and attention mechanism [14.938306841402643]
地中貫入レーダ(GPR)は,地下道路の欠陥を非破壊的に評価するための重要なツールである。本稿では,これらの制約に対処するための包括的枠組みを紹介する。
論文参考訳（メタデータ） (2025-12-25T00:29:58Z)
Sharpness-aware Dynamic Anchor Selection for Generalized Category Discovery [61.694524826522205]
既知のクラスのラベル付きデータを考えると、GCDは既知のクラスと未知のクラスの両方を含むラベルなしデータをクラスタ化することを目的としている。大規模な事前学習モデルでは、特定の視覚的パターンが好まれ、ラベルのないデータに対して刺激的な相関を符号化する。 LSP(Los Sharpness Penalty)とDAS(Dynamic Anchor Selection)の2つのモジュールを含む新しい手法を提案する。
論文参考訳（メタデータ） (2025-12-15T02:24:06Z)
Attribute Fusion-based Classifier on Framework of Belief Structure [46.24928730489845]
Dempster-Shafer Theory (DST)は、不確実性をモデリングするための強力なフレームワークを提供し、多属性分類タスクに広く適用されてきた。従来のDSTに基づく属性融合型分類器は、単純化されたメンバーシップ関数モデリングと基本確率割当(BPA)による信念構造の限定的活用に悩まされている。本稿では,2つの重要なイノベーションを通じて,これらの制限に対処する属性融合型分類器を提案する。
論文参考訳（メタデータ） (2025-08-31T09:05:15Z)
CWFBind: Geometry-Awareness for Fast and Accurate Protein-Ligand Docking [15.32873543470471]
局所曲率特性に基づく重み付き高速かつ高精度なドッキング法であるCWFBindを紹介する。 CWFBindは、複数のドッキングベンチマークで競合するパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-08-13T05:15:10Z)
Multi-Scale PCB Defect Detection with YOLOv8 Network Improved via Pruning and Lightweight Network [0.0]
YOLOv8は、バックボーンネットワーク、ネックネットワーク、検出ヘッド、損失関数、適応プルーニング率を最適化することにより、検出速度と精度を向上させることができる。公開されているPCB欠陥データセットでは、mAP0.5は99.32%、mAP0.5:0.9は75.18%に達し、YOLOv8nよりも10.13%高い。
論文参考訳（メタデータ） (2025-07-23T03:47:00Z)
When Graph Contrastive Learning Backfires: Spectral Vulnerability and Defense in Recommendation [38.71151291554835]
グラフコントラスト学習(GCL)は,レコメンダシステムの堅牢性向上に大きく貢献している。本稿では、GCLの統合により、ターゲットのプロモーションアタックに対するレコメンデータの感受性が必然的に向上する、予期せぬ脆弱性を明らかにする。
論文参考訳（メタデータ） (2025-07-10T05:24:08Z)
TAPT: Test-Time Adversarial Prompt Tuning for Robust Inference in Vision-Language Models [53.91006249339802]
視覚的対人攻撃に対するCLIPの推論ロバスト性を高めるため, TAPT(Test-Time Adversarial Prompt Tuning)と呼ばれる新しい防御手法を提案する。 TAPTは、CLIPの推論プロセスを堅牢化するために、防御的バイモーダル(テキストと視覚)のプロンプトを学習するテストタイムディフェンス手法である。我々は、ImageNetなど10のゼロショットデータセットを含む11のベンチマークデータセットに対するTAPTの有効性を評価する。
論文参考訳（メタデータ） (2024-11-20T08:58:59Z)
Rethinking and Simplifying Bootstrapped Graph Latents [48.76934123429186]
グラフ・コントラッシブ・ラーニング(GCL)はグラフ自己教師型ラーニングにおいて代表的なパラダイムとして登場した。 SGCLは2つの繰り返しの出力を正のペアとして利用するシンプルで効果的なGCLフレームワークである。我々は,SGCLがより少ないパラメータ,少ない時間と空間コスト,およびかなりの収束速度で競合性能を達成可能であることを示す。
論文参考訳（メタデータ） (2023-12-05T09:49:50Z)
Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文参考訳（メタデータ） (2021-03-22T20:36:34Z)
Adversarially Robust Classification based on GLRT [26.44693169694826]
本稿では,一般確率比検定(GLRT)に基づく防衛戦略について述べる。 GLRT法は, 最悪の攻撃条件下でのミニマックス法と競合することを示す。また、GLRTディフェンスは、最適ミニマックス分類器が不明なより複雑なモデルに自然に一般化する。
論文参考訳（メタデータ） (2020-11-16T10:16:05Z)

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。