論文の概要: Multi-Agentic System Leveraging Open-Source LLMs to Mitigate Disinformation Threats

• arxiv url: http://arxiv.org/abs/2606.30259v1
• Date: Mon, 29 Jun 2026 13:07:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.240871
• Title: Multi-Agentic System Leveraging Open-Source LLMs to Mitigate Disinformation Threats
• Title（参考訳）: オープンソースLCMを利用したマルチエージェントシステムによる偽情報の脅威軽減
• Abstract要約: 本稿では,人間のアノテータの意思決定過程をエミュレートするマルチエージェントシステムに基づく新しいアプローチを提案する。 提案手法は, GPT 4 と GPT 3.5 を含む個々の大規模言語モデル (LLM) と比較して優れた結果が得られる。
• 参考スコア（独自算出の注目度）: 0.5629161809575014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In contemporary societies, the threat of disinformation has reached alarming levels, exacerbated by the proliferation of electronic communication, social media, and advancements in artificial intelligence. As a result, there is an urgent need to develop effective countermeasures to mitigate this menace. However, the sheer scale of the problem renders manual fact-checking and human-based verification inadequate, underscoring the necessity for automated methods to detect and debunk disinformation. This article proposes a novel approach based on a multi-agent system that emulates the decision-making processes of human annotators engaged in disinformation detection tasks. By incorporating a consensus mechanism, diversity in cognition and diversity in knowledge, and also hierarchical structure, inspired by human annotators' behavior, the proposed method achieves superior results compared to individual Large Language Models (LLMs), including GPT 4 and GPT 3.5. The system leverages open models (e.g., LLaMA, Kimi, Qwen, Deepseek and LLaMA-Nemotron) to ensure greater transparency. The evaluation of the proposed method encompasses datasets in languages with varying resource availability, including English (high-resource), Polish (medium-resource), Slovak (low-resource) and Bulgarian (low-resource). Experiments were conducted on tasks such as direct disinformation detection, identification of texts worthy of verification, and detection of texts containing verifiable factual claims.
• Abstract（参考訳）: 現代社会では、偽情報の脅威は、電子コミュニケーションの普及、ソーシャルメディア、人工知能の進歩によって悪化し、警戒レベルに達している。 結果として、この脅威を緩和するための効果的な対策を開発する必要がある。 しかし、この問題の深刻さは、手動の事実チェックと人間による検証が不十分であり、偽情報を検出・削除する自動化手法の必要性を浮き彫りにしている。 本稿では,偽情報検出タスクに携わるアノテータの意思決定過程をエミュレートするマルチエージェントシステムに基づく新しいアプローチを提案する。 GPT 4 や GPT 3.5 を含む個々の大規模言語モデル (LLM) と比較して, コンセンサス機構, 知識の多様性, および人間のアノテータの行動にインスパイアされた階層構造を組み込むことにより, 提案手法は優れた結果が得られる。 このシステムはオープンモデル(例えば、LLaMA、Kimi、Qwen、Deepseek、LLaMA-Nemotron)を活用して透明性を高める。 提案手法の評価は、英語(高リソース)、ポーランド語(高リソース)、スロバキア語(低リソース)、ブルガリア語(低リソース)など、様々なリソース可用性を持つ言語のデータセットを含む。 直接偽情報検出、検証に値するテキストの識別、検証可能な事実クレームを含むテキストの検出などのタスクで実験を行った。

関連論文リスト

• MMMMM: A Unified Taxonomy for Investigating the Mechanisms of Multilingual MultiModal Misinformation [45.9148426649897]
  ソーシャルメディア上のマルチモーダルな誤報は、非常に普及し、強力で、有害であり、検出と対応が困難である。 マルチモーダル誤情報の性質と偽造戦略に関する研究は、実世界の文脈に根ざしたマルチモーダル誤情報の欠如によって妨げられている。 本研究は,データの詳細な質的分析とそれ以前の理論的研究に基づく,多モーダル誤報の包括的分類法を開発する。
  論文  参考訳（メタデータ） (2026-08-30T09:30:19Z)
• Large Language Models in Misinformation Ecosystems: Misuse, Defense, and Vulnerability [65.56750741053266]
  大規模言語モデル(LLM)は、誤情報をコンテンツ中心の問題からより広範なエコシステムレベルのセキュリティ課題に転換した。 本稿では,これらのリスクと防御を統一する役割層フレームワークを提案する。 この役割はLLMを攻撃者、ディフェンダー、検証システムの脆弱なコンポーネントとして特徴づけ、層次元はコンテンツ、社会的コンテキスト、エビデンス環境、検証をカバーしている。
  論文  参考訳（メタデータ） (2026-07-11T17:04:17Z)
• Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
  信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である 本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
  論文  参考訳（メタデータ） (2026-03-05T18:42:51Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Insight-A: Attribution-aware for Multimodal Misinformation Detection [14.02125134424451]
  本稿では,マルチモーダルな誤情報検出のためのMLLMインサイトによる属性探索を行うInsight-Aを提案する。 我々は、認知と推論の高度な相関をモデル化するために、クロス属性プロンプト(CAP)を考案する。 また,画像キャプション(IC)を設計し,相互整合性検査の精度向上を図る。
  論文  参考訳（メタデータ） (2025-11-17T02:33:36Z)
• Human Texts Are Outliers: Detecting LLM-generated Texts via Out-of-distribution Detection [71.59834293521074]
  我々は,人間によるテキストと機械によるテキストを区別する枠組みを開発した。 提案手法は,DeepFakeデータセット上で98.3%のAUROCとAUPRを8.9%のFPR95で達成する。 コード、事前トレーニングされたウェイト、デモがリリースされる。
  論文  参考訳（メタデータ） (2025-10-07T08:14:45Z)
• Leveraging Knowledge Graphs and LLMs for Structured Generation of Misinformation [3.604879434384177]
  本稿では,知識グラフ(KG)を構造的意味資源として活用し,偽三重項を生成する手法を提案する。 これらの三重項は、様々な信頼度を持つ誤情報文を生成する際に、大きな言語モデル(LLM)を導くのに使用される。
  論文  参考訳（メタデータ） (2025-05-30T11:29:10Z)
• Does Machine Unlearning Truly Remove Knowledge? [80.83986295685128]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• OMNIGUARD: An Efficient Approach for AI Safety Moderation Across Modalities [54.152681077418805]
  現在の検出アプローチは誤りがあり、特にモデル機能のミスマッチした一般化を利用する攻撃の影響を受けやすい。 OMNIGUARDは,言語やモダリティにまたがる有害なプロンプトを検出する手法である。 提案手法は,多言語環境において最強のベースラインよりも11.57%,有害なプロンプト分類精度を向上する。
  論文  参考訳（メタデータ） (2025-05-29T05:25:27Z)
• Unmasking Digital Falsehoods: A Comparative Analysis of LLM-Based Misinformation Detection Strategies [0.0]
  本稿では,テキストベース,マルチモーダル,エージェント間の誤情報検出手法の比較を行う。 本研究では,異なる話題領域における誤情報検出における微調整モデル,ゼロショット学習,系統的事実チェック機構の有効性を評価する。
  論文  参考訳（メタデータ） (2025-03-02T04:31:42Z)
• MOSAIC: Multiple Observers Spotting AI Content [35.67613230687864]
  大規模言語モデル(LLM)は大規模に訓練され、強力なテキスト生成能力を備えている。 本研究では,人文テキストから人工的に生成したテキストを自動的に識別する手法を提案する。 種々のジェネレータLSMを用いて実験を行った結果,本手法は各モデルの強度を効果的に活用できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-11T20:55:12Z)
• A Novel Generative AI-Based Framework for Anomaly Detection in Multicast Messages in Smart Grid Communications [0.0]
  デジタル変電所におけるサイバーセキュリティ侵害は、電力系統の運用の安定性と信頼性に重大な課題をもたらす。 本稿では,マルチキャストメッセージのデータセットにおける異常検出(AD)のためのタスク指向対話システムを提案する。 潜在的なエラーが低く、人間の推奨するサイバーセキュリティガイドラインを考えるプロセスよりもスケーラビリティと適応性が向上します。
  論文  参考訳（メタデータ） (2024-06-08T13:28:50Z)
• MGTBench: Benchmarking Machine-Generated Text Detection [54.81446366272403]
  本稿では,強力な大規模言語モデル(LLM)に対するMGT検出のための最初のベンチマークフレームワークを提案する。 一般に単語が多ければ多いほど性能が向上し,ほとんどの検出手法はトレーニングサンプルをはるかに少なくして同様の性能が得られることを示す。 本研究は, テキスト属性タスクにおいて, モデルに基づく検出手法が依然として有効であることを示す。
  論文  参考訳（メタデータ） (2023-03-26T21:12:36Z)

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。