Fugu-MT 論文翻訳(概要): Network Information Enhances Unreliable News Domain Detection

論文の概要: Network Information Enhances Unreliable News Domain Detection

arxiv url: http://arxiv.org/abs/2608.02399v1
Date: Mon, 03 Aug 2026 15:43:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.680269
Title: Network Information Enhances Unreliable News Domain Detection
Title（参考訳）: 信頼できないニュースドメイン検出を実現するネットワーク情報
Abstract要約: ネットワーク構造がニュース信頼性の分類を改善することができるかどうかを問う。 TelegramチャットのURL共有パターンから、統計的に検証されたドメイン共有ネットワークを構築します。信頼性の低いドメインをグループ化し、信頼性の低いドメインをグループ化する。
参考スコア（独自算出の注目度）: 0.38887448816036313
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Content-based detection of unreliable news is increasingly difficult, as low-reliability sources mimic credible journalism and generative AI makes fabricated content harder to flag. We ask whether network structure can improve news reliability classification, taking a domain-level approach that shifts the focus from individual articles to source reliability. From URL-sharing patterns in Telegram chats, we build a statistically validated domain co-sharing network and find assortative mixing by reliability: low-reliability domains group together, as do reliable ones. Exploiting this structure, we compare Graph Neural Networks against network-unaware baselines using both content-aware features (multilingual text embeddings) and content-agnostic features (spreading dynamics). GNNs consistently outperform Multi-Layer Perceptrons on identical features, with GraphSAGE best in both settings (accuracy 0.63 with content, 0.53 without), a 13-14% relative gain over the network-unaware baseline. Network topology thus systematically improves domain reliability assessment, and remains effective even when content analysis is infeasible.
Abstract（参考訳）: 信頼性の低い情報源が信頼できるジャーナリズムを模倣し、生成するAIによって作られたコンテンツにフラグを付けるのが難しくなるため、信頼性の低いニュースをコンテンツベースで検出することはますます困難になっている。我々は、個々の記事からソースの信頼性に焦点を移すドメインレベルのアプローチで、ネットワーク構造がニュース信頼性の分類を改善することができるかどうかを問う。 TelegramチャットのURL共有パターンから、統計的に検証されたドメイン共有ネットワークを構築し、信頼性の高いドメインをグループ化し、信頼性の高いドメインをグループ化する。この構造をエクスプロイトし、コンテンツ認識機能(マルチテキスト埋め込み)とコンテンツ認識機能(スプレッドダイナミックス)の両方を用いて、グラフニューラルネットワークとネットワーク認識ベースラインを比較した。 GNNは、同一の機能でマルチ層パーセプトロンを一貫して上回り、GraphSAGEは両方の設定で最高(精度0.63、コンテンツ0.53)、ネットワーク無意識のベースラインよりも13-14%向上した。ネットワークトポロジは、ドメイン信頼性の評価を体系的に改善し、コンテンツ分析が不可能な場合でも有効である。

関連論文リスト

CAT: Can Trust be Predicted with Context-Awareness in Dynamic Heterogeneous Networks? [10.476593803368358]
信頼予測のための有望なアプローチとしてグラフニューラルネットワーク(GNN)が登場した。これらのモデルは信頼のダイナミクスを捉えることができず、疑わしい推論につながります。我々は、最初のコンテキスト対応GNNベースの信頼予測モデルであるCATを提案する。
論文参考訳（メタデータ） (2025-12-12T08:00:28Z)
On Balancing Sparsity with Reliable Connectivity in Distributed Network Design with Random K-out Graphs [8.957579200590985]
ポーシャリティは通信オーバーヘッドを低く保ち、信頼性の高い接続は、分散化されたデータ貯水池と計算リソースの信頼性の高い通信と推論に結びついている。ランダムKアウトグラフと呼ばれるネットワークモデルのクラスは、特に信頼度が制限された設定において、接続性と疎性のバランスをとるために広く現れる。本稿では,ノードが有限あるいは信頼できないレシエーションにおいて,信頼性の高い接続性を保証するネットワークパラメータの選択を通知する定理を提案する。
論文参考訳（メタデータ） (2025-08-16T01:29:16Z)
BotTrans: A Multi-Source Graph Domain Adaptation Approach for Social Bot Detection [55.31623652907614]
ソーシャルボットを検出するために,textitBotTrans というマルチソースグラフドメイン適応モデルを提案する。まず、複数のソースネットワーク間で共有されるラベル付けの知識を活用して、クロスソースドメイントポロジを確立します。次に、ソースノード埋め込みの識別性を高めるために、クロスドメイン隣の情報を集約する。
論文参考訳（メタデータ） (2025-06-12T02:10:36Z)
MetaGMT: Improving Actionable Interpretability of Graph Multilinear Networks via Meta-Learning Filtration [6.102559098873098]
本稿ではメタGMTというメタラーニングフレームワークを提案する。その結果,MetaGMTは説明品質(AUC-ROC,Precision@K)とスプリアスパターンに対するロバスト性の両方を著しく改善することがわかった。我々の研究は、現実世界のアプリケーションのためのより信頼性が高く実用的なGNNシステムの構築に寄与します。
論文参考訳（メタデータ） (2025-05-26T03:07:58Z)
Detection and Discovery of Misinformation Sources using Attributed Webgraphs [3.659498819753633]
本稿では、ラベル付きニュースドメインと、アウトリンクおよびバックリンクドメインへの接続を含む、新しい属性付きWebグラフデータセットを提案する。本稿では,これらの属性付きWebグラフを用いたニュースサイトの信頼性検出におけるグラフニューラルネットワークの成功例を示す。また、未知の誤報ニュースソースを発見するための新しいグラフベースのアルゴリズムを導入・評価する。
論文参考訳（メタデータ） (2024-01-04T17:47:36Z)
KGTrust: Evaluating Trustworthiness of SIoT via Knowledge Enhanced Graph Neural Networks [63.531790269009704]
ソーシャル・インターネット・オブ・モノ(Social Internet of Things, SIoT)は、スマート・オブジェクト(物)にソーシャルネットワークの概念を注入する、有望で新興のパラダイムである。リスクと不確実性のため、解決すべき重要かつ緊急の問題は、SIoT内で信頼性の高い関係、すなわち信頼評価を確立することである。本稿では,SIoTにおける信頼度向上のための知識強化グラフニューラルネットワーク(KGTrust)を提案する。
論文参考訳（メタデータ） (2023-02-22T14:24:45Z)
Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
論文参考訳（メタデータ） (2023-01-30T11:46:34Z)
Generalizability of Adversarial Robustness Under Distribution Shifts [57.767152566761304]
本研究は, 実証的, 証明された敵対的堅牢性間の相互作用と, ドメインの一般化を両立させるための第一歩を踏み出した。複数のドメインでロバストモデルをトレーニングし、その正確性とロバスト性を評価する。本研究は, 現実の医療応用をカバーするために拡張され, 敵の増大は, クリーンデータ精度に最小限の影響を伴って, 強靭性の一般化を著しく促進する。
論文参考訳（メタデータ） (2022-09-29T18:25:48Z)
Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文参考訳（メタデータ） (2022-06-15T05:48:51Z)
TrustGNN: Graph Neural Network based Trust Evaluation via Learnable Propagative and Composable Nature [63.78619502896071]
信頼評価は、サイバーセキュリティ、ソーシャルコミュニケーション、レコメンダシステムなど、多くのアプリケーションにとって重要である。本稿では,信頼グラフの伝播性および構成性を考慮した新しい信頼評価手法TrustGNNを提案する。具体的には、TrustGNNは、異なる伝播過程のための特定の伝播パターンを設計し、新しい信頼を生み出すための異なる伝播過程の貢献を区別する。
論文参考訳（メタデータ） (2022-05-25T13:57:03Z)

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。