論文の概要: A Survey on Fake Review Detection: From Pre-trained Language Models to Large Language Models

• arxiv url: http://arxiv.org/abs/2609.30292v1
• Date: Sat, 12 Sep 2026 08:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.129133
• Title: A Survey on Fake Review Detection: From Pre-trained Language Models to Large Language Models
• Title（参考訳）: フェイクレビュー検出に関する調査:事前学習言語モデルから大規模言語モデルへ
• Abstract要約: 本調査は,情報融合の観点からの偽レビュー検出をレビューする。 我々は、エビデンスソースと融合レベルによる既存の作業の整理を行い、レビューテキスト、感情、評価行動、時間的メタデータ、ユーザ生成グラフ、マルチモーダルコンテンツ、外部知識、LLM生成信号について紹介する。 我々は,広く使用されているAmazon,Yelp,OpSpamベンチマークファミリのパフォーマンス動向を解析し,ラベルの構成手順,データ分割,評価プロトコルの違いによる制約に注目した。
• 参考スコア（独自算出の注目度）: 25.371276945267862
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Online reviews shape consumer decisions, platform governance, and corporate reputation.Fake reviews compromise this information channel by injecting deceptive evidence into rating systems, recommendation pipelines, and public trust mechanisms.The rise of large language models, or LLMs, has changed the problem in two directions.LLMs can generate fluent and context-aware deceptive reviews, while pre-trained language models, or PLMs, and LLMs also provide stronger semantic representations for detection.This survey reviews fake review detection from an information fusion perspective, covering 211 studies published from 2018 to early 2026.We organize existing work by evidence source and fusion level, covering review text, sentiment, rating behavior, temporal metadata, user-product graphs, multimodal content, external knowledge, and LLM-generated signals.We trace the development from traditional machine learning and deep learning to PLM-based and LLM-based methods, and examine how different approaches combine textual, behavioral, structural, and multimodal evidence.We also analyze reported performance trends on widely used Amazon, Yelp, and OpSpam benchmark families, while noting the limitations caused by different label construction procedures, data splits, and evaluation protocols.Finally, we identify open problems in adversarial generation, cross-domain transfer, uncertainty-aware fusion, missing-source robustness, interpretability, and trustworthy evaluation for AI-generated deceptive content.
• Abstract（参考訳）: オンラインレビューは、消費者の判断、プラットフォームガバナンス、企業評価を形作る。この情報チャネルを、評価システム、レコメンデーションパイプライン、パブリック信頼メカニズムに偽証を注入することで、レビューは妥協する。大きな言語モデル、またはLLMの台頭は、この問題を2方向に変えた。LLMは、流動的でコンテキスト対応の偽証レビューを生成できるが、事前訓練された言語モデル、またはPLMは、より強力な意味的表現を提供する。この調査では、2018年から2026年にかけて発行された211の研究をカバーし、情報融合の観点から偽のレビューを行い、エビデンスと融合レベルをカバーし、エビデンステキスト、評価行動、時間的メタデータ、ユーザ製品メタデータ、マルチモーダルコンテンツグラフ、外的知識、LLMのシグナルをカバーし、従来の機械学習とLLMの深層学習から学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習の仕方、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、分析、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習、学習

関連論文リスト

• LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
  大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。 ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
  論文  参考訳（メタデータ） (2026-08-24T10:02:39Z)
• LLM-Based Scientific Peer Review: Methods, Benchmarks, and Reliability Challenges [4.655159257282136]
  この調査は,大規模言語モデル(LLM)に基づく科学的ピアレビューのシステムレベル分析を提供する。 批判生成とスコア予測という2つの中心的評価関数に注目した。 プロンプトインジェクション、データ中毒、検索脆弱性、報酬ハッキングなど、新興のリスクを特定します。
  論文  参考訳（メタデータ） (2026-06-23T18:12:39Z)
• PRAIB: Peer Review AI Benchmark of Behaviour of LLM-Assisted Reviewing [0.0]
  Peer Review AI Benchmark (PRAIB)は、レビューの具体性、スタイル、エンゲージメントの振る舞いを測定する、徹底的に定義されたメトリクスで構成されるフレームワークである。 我々は、1000 ICLRおよびNeurIPSの論文に対して、5つのプロプライエタリおよびオープンソースモデルによって生成される11,000のレビューのデータセットを活用する大規模な実証的研究を行う。 分析の結果,人的レビュアーのフィードバックから生成したレビューが著しく逸脱していることが判明した。
  論文  参考訳（メタデータ） (2026-05-28T11:59:54Z)
• Can AI Be a Good Peer Reviewer? A Survey of Peer Review Process, Evaluation, and the Future [50.89292049215399]
  大規模言語モデル(LLM)は、ピアレビュープロセスの異なる段階を支援または自動化する動機付けの手法である。 我々は、(i)ピアレビュー生成のためのテクニックを合成し、微調整戦略、エージェントベースシステム、RLベースの手法、そして生成を強化する新しいパラダイムを合成する。 データセットをカタログ化し、モデリングの選択を比較し、制限、倫理的懸念、今後の方向性について議論します。
  論文  参考訳（メタデータ） (2026-04-30T14:28:21Z)
• 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)
• Hallucination to Truth: A Review of Fact-Checking and Factuality Evaluation in Large Language Models [2.0861090421004937]
  大規模言語モデル(LLM)は、不正確なコンテンツや誤解を招くコンテンツを含む多種多様なインターネットコーパスで訓練されている。 本総説では,LLM生成したコンテンツが現実の精度でどのように評価されるかを系統的に分析する。
  論文  参考訳（メタデータ） (2025-08-05T19:20:05Z)
• LLMs in Software Security: A Survey of Vulnerability Detection Techniques and Insights [12.424610893030353]
  大規模言語モデル(LLM)は、ソフトウェア脆弱性検出のためのトランスフォーメーションツールとして登場している。 本稿では,脆弱性検出におけるLSMの詳細な調査を行う。 言語間の脆弱性検出、マルチモーダルデータ統合、リポジトリレベルの分析といった課題に対処する。
  論文  参考訳（メタデータ） (2025-02-10T21:33:38Z)
• The simulation of judgment in LLMs [32.57692724251287]
  大規模言語モデル(LLM)は、情報フィルタリングから説明と信頼性の判断を通じて知識ギャップの評価と対処に至るまで、評価プロセスに組み込まれている。 これにより、このような評価がどのように構築されるのか、どのような仮定に依存しているのか、その戦略が人間のものとどのように異なるのかを調べる必要が生じる。 我々は、専門家の評価に対して、6つのLCM(NewsGuardとMedia Bias/Fact Check)と、制御された実験を通して収集された人間の判断に対してベンチマークを行った。
  論文  参考訳（メタデータ） (2025-02-06T18:52:10Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)

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。