論文の概要: A Cognitively Grounded Bayesian Framework for Misinformation Susceptibility
- arxiv url: http://arxiv.org/abs/2605.09483v1
- Date: Sun, 10 May 2026 11:37:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.272508
- Title: A Cognitively Grounded Bayesian Framework for Misinformation Susceptibility
- Title（参考訳）: 誤情報認識のための認知的基盤ベイズ的枠組み
- Authors: Pranava Madhyastha,
- Abstract要約: BPL(Bunded Pragmatic Listener)は、情報障害に対する感受性をモデル化するための認知的基盤を持つベイズ的枠組みである。
我々は,誤情報感受性,注釈の不一致,誤情報に対する差分脆弱性の予測を,情報障害フレームワークで定義された誤情報,不一致,誤情報に対する予測を検証した。
- 参考スコア（独自算出の注目度）: 5.985339810812376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this (work in progress) paper, we present Bounded Pragmatic Listener (or BPL), a cognitively grounded Bayesian framework for modelling susceptibility to information disorder. BPL extends Rational Speech Act theory with three cognitively motivated bounds derived from the bounded rationality literature with a) a recursion depth bound (that emphasises working memory limits);b) a prior compression parameter (which is oriented at capturing information bottleneck); and c) an availability sample size (that operationalises importance sampling with saliency-weighted proposals). This allows us to test predictions about misinformation susceptibility, annotator disagreement, and the differential vulnerability to mis-, dis-, and mal-information as defined in the Information Disorder framework. We validate BPL on the LIAR and MultiFC benchmarks showcasing competitive veracity classification and experimental support for the depth-mismatch paradox.
- Abstract（参考訳）: 本稿では,情報障害に対する感受性をモデル化するための認知的基盤を持つベイズ的枠組みであるBPL(Bunded Pragmatic Listener)を提案する。
BPLは、有界有理性文学から派生した3つの認知的動機付き境界、a)再帰深度境界(ワーキングメモリ制限を強調する)、b)事前圧縮パラメータ(情報のボトルネックを捉えることを目的としている)、c)可用性サンプルサイズ(塩分重み付けされた提案による重要サンプリングを運用する)を拡張している。
これにより、誤情報感受性、注釈の不一致、および情報障害フレームワークで定義された誤情報、偽情報に対する差分脆弱性に関する予測をテストすることができる。
LIARとMultiFCのベンチマークでBPLを検証したところ、競合する精度の分類と奥行きミスマッチパラドックスに対する実験的支援が示された。
関連論文リスト
- Hit-RAG: Learning to Reason with Long Contexts via Preference Alignment [97.55382322103986]
Hit-RAGは認知的ボトルネックを解決するために設計された多段階の優先順位調整フレームワークである。
本手法は,3つの異なる段階を通じて外部証拠の利用を体系的に改善する。
論文 参考訳（メタデータ） (2026-03-07T04:05:27Z) - Seeing Through the Chain: Mitigate Hallucination in Multimodal Reasoning Models via CoT Compression and Contrastive Preference Optimization [78.94590726578014]
マルチモーダル推論モデル (Multimodal reasoning model, MLRM) は幻覚の傾向が強く, 効果的な解はいまだ未発見のままである。
textbfCompression と textbfPreference textbfOptimization を組み合わせたトレーニングベースの緩和フレームワーク C3PO を提案する。
論文 参考訳（メタデータ） (2026-02-03T11:00:55Z) - When in Doubt, Deliberate: Confidence-Based Routing to Expert Debate for Sexism Detection [7.299050989302629]
我々は,(i)低表現,(ii)雑音,(iii)データおよびモデル予測における概念的あいまいさの複合効果に対処する枠組みを提案する。
提案手法では,タスク EXIST 2025 タスク 1.1 では F1 が +2.72% 改善され,EDOS A と B では +4.48% と +1.30% が得られた。
論文 参考訳（メタデータ） (2025-12-21T05:48:57Z) - HADSF: Aspect Aware Semantic Control for Explainable Recommendation [4.75127493865044]
大規模言語モデル(LLM)の最近の進歩は、推薦システムに対してより効果的な情報抽出を約束している。
本稿では,適応選択によるコンパクトなコーパスレベルのアスペクトボキャブラリを誘導し,構造化アスペクトオピニオン三重項のボキャブラリ誘導,明示的に制約された抽出を行う2段階アプローチを提案する。
1.5B-70Bパラメータにまたがる約300万のレビューに関する実験では、標準評価予測器に統合された場合、HADSFは予測エラーを一貫して減少させる。
論文 参考訳（メタデータ） (2025-10-30T20:49:33Z) - From Parameters to Prompts: Understanding and Mitigating the Factuality Gap between Fine-Tuned LLMs [4.447729258258283]
未知の知識と未知の知識を微調整する際に生じる事実のギャップについて検討する。
我々の結果は、微調整データとテストタイムプロンプトの相互作用に光を当てた。
論文 参考訳（メタデータ） (2025-05-29T12:59:30Z) - Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。
本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
論文 参考訳（メタデータ） (2024-04-22T16:10:38Z) - Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
論文 参考訳（メタデータ） (2023-11-03T03:18:40Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - How to Enhance Causal Discrimination of Utterances: A Case on Affective
Reasoning [22.11437627661179]
本稿では,会話プロセスにテクスティ.i.d.ノイズ項を組み込むことにより,構造因果モデル(SCM)を構築することを提案する。
ディープラーニングの実装を容易にするため,非構造化会話データを扱うためのcognフレームワークを導入し,非可観測ノイズを学習可能な「単純な原因」とみなすオートエンコーダアーキテクチャを採用した。
論文 参考訳（メタデータ） (2023-05-04T07:45:49Z)
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。