論文の概要: Latent Causal Void: Explicit Missing-Context Reconstruction for Misinformation Detection

• arxiv url: http://arxiv.org/abs/2605.12156v1
• Date: Tue, 12 May 2026 14:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.903371
• Title: Latent Causal Void: Explicit Missing-Context Reconstruction for Misinformation Detection
• Title（参考訳）: 偽情報検出のための欠失コンテキストの明示的再構成
• Authors: Hui Li, Zhongquan Jian, Jinsong Su, Junfeng Yao,
• Abstract要約: いくつかの誤報記事は局所的に一貫性が保たれており、記事の背景事実が省略されるという同時報告と比較すると、一度だけ誤解を招くだけである。 本稿では,検索誘導型検出器であるemphLatent Causal Void (LCV)を提案する。 その結果, 欠落したクロスソース事実をモデル化することは, 誤情報検出に有用であることが示唆された。
• 参考スコア（独自算出の注目度）: 40.47935998392446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic misinformation detection performs well when deception is visible in what an article explicitly states. However, some misinformation articles remain locally coherent and only become misleading once compared with contemporaneous reports that supply background facts the article omits. We study this omission-relevant setting and observe that current omission-aware approaches typically either attach retrieved context as auxiliary evidence or infer a categorical omission signal, leaving the specific missing fact implicit. We propose \emph{Latent Causal Void} (LCV), a retrieval-guided detector that explicitly reconstructs the missing fact for each target sentence and uses it as a textual cross-source relation in graph reasoning. Concretely, LCV retrieves temporally aligned context articles, asks a frozen instruction-tuned large language model to generate a short missing-context description for each sentence--article pair, and feeds the resulting relation text into a heterograph over target sentences and context articles. On the bilingual benchmark of Sheng et al., LCV improves over the strongest omission-aware baseline by $2.56$ and $2.84$ macro-F1 points on the English and Chinese splits, respectively. The results indicate that modeling the missing cross-source fact itself, rather than only attaching retrieved evidence or predicting an omission signal, is a useful representation for omission-aware misinformation detection.
• Abstract（参考訳）: 記事が明記したものに偽情報が見えると、誤情報の自動検出がうまく機能する。 しかし、一部の誤報記事は局所的に一貫性が保たれており、記事の背景事実を裏付ける同時報告に比べれば、一度だけ誤解を招くだけである。 我々は、この省略関連設定を調査し、現在の省略対応アプローチは典型的には、検索した文脈を補助的証拠として添付するか、カテゴリー的排除シグナルを推測するか、特定の欠落した事実を暗黙的に残すかのどちらかを観察する。 本稿では,検索誘導型検出器である \emph{Latent Causal Void} (LCV) を提案する。 具体的には、LCVは、時間的に整列した文脈項目を検索し、凍結した命令で調整された大きな言語モデルに要求し、各文対に対して短い不足コンテキスト記述を生成し、結果の関連テキストを対象の文や文脈記事の上にヘテログラフに入力する。 Sheng et al のバイリンガルベンチマークでは、LCVは、英語と中国語でそれぞれ2.56ドルと2.84ドルのマクロF1ポイントを最強の排他的基準よりも改善している。 その結果, 得られた証拠を添付したり, 削除信号を予測するだけでなく, 欠落した事実自体をモデル化することが, 誤報検出に有用であることが示唆された。

関連論文リスト

• ContextClaim: A Context-Driven Paradigm for Verifiable Claim Detection [17.165016272480262]
  検証可能なクレーム検出は、クレームが、原則として外部の証拠に対して評価できる事実的なステートメントを表現できるかどうかを問う。 本研究では,コンテキスト駆動クレーム検出(Context-Driven Claim Detection,ContextClaim)を提案する。 我々は、さまざまなトピックとテキストジャンルをカバーする2つのデータセット、2022年のTwitterデータセット、PoliClaimの政治討論データセットについてContextClaimを評価した。
  論文  参考訳（メタデータ） (2026-03-31T17:20:46Z)
• What's Left Unsaid? Detecting and Correcting Misleading Omissions in Multimodal News Previews [31.373823254968315]
  事実が正しいとしても、ソーシャルメディアのニュースプレビューは解釈のドリフトを引き起こす。 この秘密の害は明示的な誤報よりも検出が難しいが、未発見のままである。 我々は、プレビューベースとコンテキストベースの理解を分離し、シミュレートするマルチステージパイプラインを開発した。
  論文  参考訳（メタデータ） (2026-01-09T06:29:19Z)
• Can LLMs extract human-like fine-grained evidence for evidence-based fact-checking? [0.0]
  本稿では,チェコとスロバキアの主張に対するきめ細かい証拠抽出に焦点を当てた。 有償アノテータが作成した2方向の微粒なエビデンスを含む新しいデータセットを作成します。 我々は、このデータセット上で大きな言語モデル(LLM)を評価し、人間のアノテーションとの整合性を評価する。
  論文  参考訳（メタデータ） (2025-11-26T13:51:59Z)
• AmpleHate: Amplifying the Attention for Versatile Implicit Hate Detection [7.809610795929308]
  暗黙のヘイトスピーチ検出は、その微妙さと文脈解釈に依存しているため困難である。 暗黙の憎しみ検出のための人間の推論を反映する新しいアプローチであるAmpleHateを提案する。 AmpleHateは最先端のパフォーマンスを達成し、平均82.14%の対照的な学習ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-05-26T05:27:10Z)
• X-PARADE: Cross-Lingual Textual Entailment and Information Divergence across Paragraphs [55.80189506270598]
  X-PARADEは、段落レベルの情報の分岐の最初の言語間データセットである。 アノテーションは、対象言語における段落をスパンレベルでラベル付けし、ソース言語における対応する段落に対して評価する。 アライメントされた段落は、異なる言語のウィキペディアページから引用される。
  論文  参考訳（メタデータ） (2023-09-16T04:34:55Z)
• Towards Fine-Grained Information: Identifying the Type and Location of Translation Errors [80.22825549235556]
  既存のアプローチでは、エラーの位置と型を同期的に考慮することはできない。 我々はtextbf の追加と textbfomission エラーを予測するために FG-TED モデルを構築した。 実験により,本モデルではエラータイプと位置の同時同定が可能であり,最先端の結果が得られた。
  論文  参考訳（メタデータ） (2023-02-17T16:20:33Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Enhance Long Text Understanding via Distilled Gist Detector from Abstractive Summarization [7.851265919027389]
  我々は、長文理解において、ジスト関連かつ無関係な情報を解き放つ方法の問題点を考察する。 文書分類, 遠隔教師付きオープンドメイン質問応答 (DS-QA) および非並列テキストスタイルの転送実験により, 本手法がベースラインモデルの性能を大幅に向上できることが示された。
  論文  参考訳（メタデータ） (2021-10-10T09:21:24Z)

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。