論文の概要: Does Neural Complexity Improve Health Misinformation Detection? A Leakage-Controlled Cross-Corpus Benchmark

• arxiv url: http://arxiv.org/abs/2610.04636v1
• Date: Sat, 03 Oct 2026 16:26:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:44:52.828344
• Title: Does Neural Complexity Improve Health Misinformation Detection? A Leakage-Controlled Cross-Corpus Benchmark
• Title（参考訳）: 神経複雑度は健康情報検出を改善するか? : 漏洩制御型クロスコルプスベンチマーク
• Abstract要約: 本研究は5つのコンパクトニューラルネットワークアーキテクチャのクロスコーパスベンチマークを提供する。 CONSTRAINTでは、アンサンブルは0.9272、ROC-AUCは0.9811、線形SVMは0.9574、ROC-AUCは0.9931である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Increasing architectural complexity is often assumed to improve health misinformation detection, yet reported gains are difficult to interpret when studies use different corpora, preprocessing pipelines, data splits, and leakage controls. This study provides a controlled cross-corpus benchmark of five compact neural architectures (1D-CNN, LSTM, BiLSTM, CNN-LSTM, and CNN-BiLSTM), a soft-voting neural ensemble, and three classical machine-learning baselines using COVID19-FNIR and CONSTRAINT. Exact-text duplicate controls were applied before modelling; all neural systems used a common preprocessing and optimisation protocol, and neural results were repeated across three random seeds. On COVID19-FNIR, the deep ensemble achieved a mean macro-F1 of 0.9963 and ROC-AUC of 0.9994, while individual neural models ranged from 0.9945 to 0.9957 macro-F1. On CONSTRAINT, the ensemble achieved macro-F1 of 0.9272 and ROC-AUC of 0.9811, whereas a linear SVM achieved macro-F1 of 0.9574 and ROC-AUC of 0.9931. Architecture rankings changed across corpora, and simple sparse linear models remained highly competitive. The findings show that model complexity does not provide a stable performance advantage and that benchmark construction can dominate architecture choice. The study contributes a reproducible, leakage-controlled basis for evidence-driven model selection in health misinformation classification
• Abstract（参考訳）: アーキテクチャの複雑さの増大は、健康上の誤った情報の検出を改善するためにしばしば仮定されるが、報告された利益は、異なるコーパス、前処理パイプライン、データ分割、漏洩制御を使用する場合、解釈が困難である。 本研究では,5つのコンパクトニューラルネットワーク(1D-CNN,LSTM,BiLSTM,CNN-LSTM,CNN-BiLSTM),ソフトボッティング型ニューラルネットワークアンサンブル,COVID19-FNIRとCONSTRAINTを用いた3つの古典的機械学習ベースラインのクロスコーパスベンチマークを提供する。 全てのニューラルシステムは共通の前処理と最適化プロトコルを使用しており、ニューラルネットワークは3つのランダムなシードで繰り返された。 COVID19-FNIRでは、ディープアンサンブルは0.9963マクロF1、ROC-AUCは0.9994、個々のニューラルモデルは0.9945から0.9957マクロF1に達した。 CONSTRAINTでは、アンサンブルは0.9272、ROC-AUCは0.9811、線形SVMは0.9574、ROC-AUCは0.9931である。 建築のランキングはコーパスによって変化し、単純な疎線形モデルは非常に競争力があった。 この結果は、モデル複雑さが安定したパフォーマンス上の優位性を与えず、ベンチマークの構築がアーキテクチャ選択を支配していることを示している。 この研究は、健康情報分類におけるエビデンス駆動モデル選択のための再現性、漏洩制御基盤に寄与する

関連論文リスト

• Deep Neural Network Architectures for Electrocardiogram Classification: A Comprehensive Evaluation [7.708113178862228]
  本研究では,自動不整脈分類のためのディープニューラルネットワークアーキテクチャの包括的評価を行う。 マイノリティクラスにおけるデータの不足に対処するため、MIT-BIH ArrhythmiaデータセットはGenerative Adversarial Network (GAN)を使用して拡張された。 我々は、CNN(Convolutional Neural Networks)、CNNとLong Short-Term Memory(CNN-LSTM)、CNN-LSTM with Attention(CNN-LSTM)、ResNet-1D(ResNet-1D)の4つの異なるアーキテクチャを開発し比較した。
  論文  参考訳（メタデータ） (2026-02-07T06:56:50Z)
• Automated Multi-label Classification of Eleven Retinal Diseases: A Benchmark of Modern Architectures and a Meta-Ensemble on a Large Synthetic Dataset [1.996975578218265]
  我々は、11の網膜疾患を分類するエンドツーエンドのディープラーニングパイプラインを開発した。 合成データのみに訓練されたモデルは,複数の病態を正確に分類し,実際の臨床画像に効果的に一般化できることを示す。
  論文  参考訳（メタデータ） (2025-08-21T22:09:53Z)
• Differentiated Thyroid Cancer Recurrence Classification Using Machine Learning Models and Bayesian Neural Networks with Varying Priors: A SHAP-Based Interpretation of the Best Performing Model [0.0]
  甲状腺癌のDTC再発は主要な公衆衛生上の問題である。 本研究は, 383名の患者を対象としたデータセットを用いて, DTC再分類のための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-07-25T06:31:31Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Vision Transformer for Efficient Chest X-ray and Gastrointestinal Image Classification [2.3293678240472517]
  本研究では,多種多様なCNNとトランスフォーマーを用いたデータ拡張手法を提案する。 異なるモダリティから3つの医用画像データセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-04-23T04:07:03Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Robust representations of oil wells' intervals via sparse attention mechanism [2.604557228169423]
  正規化変換器(Reguformers)と呼ばれる効率的な変換器のクラスを導入する。 私たちの実験の焦点は、石油とガスのデータ、すなわちウェルログにあります。 このような問題に対する我々のモデルを評価するために、20以上の井戸からなるウェルログからなる産業規模のオープンデータセットで作業する。
  論文  参考訳（メタデータ） (2022-12-29T09:56:33Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Towards Extremely Compact RNNs for Video Recognition with Fully Decomposed Hierarchical Tucker Structure [41.41516453160845]
  完全に分解された階層型タッカー(FDHT)構造を持つ非常にコンパクトなRNNモデルを提案する。 複数のポピュラービデオ認識データセットを用いた実験結果から,完全分解型階層型タッカー型lstmは極めてコンパクトかつ高効率であることがわかった。
  論文  参考訳（メタデータ） (2021-04-12T18:40:44Z)

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。