論文の概要: SAFE-MR: Evidence Sufficiency Learning for Selective Multimodal Rumor Detection

• arxiv url: http://arxiv.org/abs/2610.06708v1
• Date: Mon, 05 Oct 2026 17:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 23:29:21.708064
• Title: SAFE-MR: Evidence Sufficiency Learning for Selective Multimodal Rumor Detection
• Title（参考訳）: SAFE-MR:選択的マルチモーダル騒音検出のためのエビデンス学習
• Abstract要約: 証拠不十分性からクレームの妥当性を分離するフレームワークであるSAFE-MRを紹介する。 NewsCLIPpings、VERITE、XFactaでは、SAFE-MRはそれぞれ91.2%、75.8%、85.2%のマクロF1スコアを達成している。
• 参考スコア（独自算出の注目度）: 12.602667666639507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal rumor detectors increasingly rely on retrieved evidence, yet relevant evidence is not necessarily sufficient for verification. Missing provenance, duplicated reports, and unresolved contradictions can produce confident predictions without adequate support. We introduce SAFE-MR, a framework that separates claim veracity from evidence sufficiency. The method decomposes image-text posts into verifiable claims, constructs a relation-aware claim-evidence graph, and aggregates evidence using provenance and contextual compatibility. Separate veracity and sufficiency heads support selective prediction, while evidence interventions encourage stability under irrelevant additions and sensitivity to evidence removal. On NewsCLIPpings, VERITE, and XFacta, SAFE-MR achieves macro-F1 scores of 91.2%, 75.8%, and 85.2%, respectively. Against the matched backbone with evidence, its macro-F1 gains are 2.2, 4.9, and 4.8 percentage points. On the diagnostic selection set, SAFE-MR reduces AURC from 0.105 for maximum-probability rejection to 0.075 and lowers error at 80% coverage from 13.8% to 8.5%. Evidence-perturbation and ablation results support the role of sufficiency learning and intervention training in improving selective verification.
• Abstract（参考訳）: マルチモーダルなうわさ検知器は、回収された証拠にますます頼っているが、関連する証拠は必ずしも検証に十分ではない。 証明の欠如、重複報告、未解決の矛盾は、十分な支援なしに確実な予測を生み出すことができる。 証拠不十分性からクレームの妥当性を分離するフレームワークであるSAFE-MRを紹介する。 この方法は、画像テキストの投稿を検証可能なクレームに分解し、関係認識されたクレームエビデンスグラフを構築し、証明と文脈整合性を用いて証拠を集約する。 別個の妥当性と十分性の頭部は選択的予測を支持し、エビデンス介入は無関係な追加の下での安定性を促進し、エビデンス除去に敏感である。 NewsCLIPpings、VERITE、XFactaでは、SAFE-MRはそれぞれ91.2%、75.8%、85.2%のマクロF1スコアを達成している。 証拠と一致したバックボーンに対して、マクロF1のゲインは2.2、4.9、そして4.8ポイントである。 診断選択セットでは、SAFE-MRはAURCを0.105から0.075に減少させ、80%のカバレッジで13.8%から8.5%に低下させる。 Evidence-perturbation and ablation results support the role of sufficiency learning and intervention training in improve electification。

関連論文リスト

• Self-Evolving Multimedia Verification through Memory Consolidation of Contestation Experiences [1.5054177797356312]
  SEMV(Self-Evolving Multimedia Verification)は、証明可能な議論をエビデンス、推論、人間のコンテスト、記憶のインターフェースとして扱うマルチエージェントフレームワークである。 COSMOSベンチマークでは、SEMVは91.88%の精度を達成している。 これらの結果から,SEMVは,蓄積した知識とその後の決定を追跡可能で,修正可能で,かつ,議論可能なまま,検証済みの経験を通じて進化することができることを示す。
  論文  参考訳（メタデータ） (2026-09-23T00:18:36Z)
• Sci-MMR: Benchmarking Multi-Step Evidence-Grounded Scientific Reasoning in Multimodal Agents [56.93800079330285]
  既存のマルチモーダルベンチマークは、最終回答の精度を大きく評価する。 我々は,多段階のエビデンスに基づく科学的推論のためのベンチマークであるSci-MMRを紹介する。 その結果,解答精度は完全証拠回収率を20%以上上回ることがわかった。
  論文  参考訳（メタデータ） (2026-09-10T08:41:07Z)
• TrustDABench: Benchmarking Reliability and Robustness of LLMs for Structured Data Analysis [42.62413276719373]
  信頼できる結果は、ユーザ質問から関連するデータエビデンスへの有効なパスによってサポートされるべきである。 この要件は2つの診断質問を生成する: LLMがそのような経路が存在しない場合、答えを拒否するか、明確化を求めることができるか、同じ証拠が異なる表形式で表現された場合、正しい分析を維持できるかである。 信頼性と堅牢性としてこれらの質問を運用するベンチマークであるTrustDABenchを紹介します。
  論文  参考訳（メタデータ） (2026-08-25T07:09:01Z)
• Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
  本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
  論文  参考訳（メタデータ） (2026-08-03T11:07:37Z)
• Evidence-Grounded Ensemble Diagnosis of 802.11 Packet Captures: A Multi-Stage Pipeline with Deterministic Reliability Scoring [1.0170129555792935]
  802.11パケットキャプチャの診断には、専門家のプロトコル知識が必要で、遅く、エンジニア間で一貫性がなく、スケールできない。 LLMベースのアプローチは、キャプチャーから欠落するが製造されたプロトコルイベントを聴取し、未校正された信頼スコアを生成し、テスト中のモデルによって黄金の基準が共同生成されると評価バイアスを被る。 PROBEは3つの障害に対処する多段階パイプラインである。
  論文  参考訳（メタデータ） (2026-06-05T03:39:58Z)
• Trust but Verify: Introducing DAVinCI -- A Framework for Dual Attribution and Verification in Claim Inference for Language Models [53.279391576560755]
  大規模言語モデル(LLM)は、広範囲のNLPタスクにおいて顕著な流速と汎用性を示してきたが、実際的な不正確さと制限が伴う傾向にある。 これは、信頼と妥当性が最優先される医療、法律、科学コミュニケーションといった、高リスク領域に重大なリスクをもたらす。 LLM出力の事実的信頼性と解釈可能性を高めるために設計されたDAVinCI - Dual Attribution and Verificationフレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-04-23T01:37:50Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• The Alignment Bottleneck in Decomposition-Based Claim Verification [17.197804072440665]
  我々は、時間的拘束力のある証拠と人間による注釈付きサブステートメント証拠を含む、現実世界の複雑なクレームのデータセットを新たに導入する。 サブステートアラインド・アライメント・エビデンス(SAE)と繰り返しクライム・レベル・エビデンス(SRE)という2つのアライメント・アライメント・セットアップの下での分解を評価する。 以上の結果から,エビデンスがきめ細やかで厳密に整合している場合にのみ,分解が大幅な性能向上をもたらすことが明らかとなった。
  論文  参考訳（メタデータ） (2026-02-11T00:02:16Z)
• Inferring multiple helper Dafny assertions with LLMs [47.33158055894705]
  本研究では,Dafnyプログラムにおけるヘルパーアサーションの欠落を自動的に推測するために,Large Language Modelsの使用について検討する。 推論の難易度を分析するために,アサーション型の分類を導入した。 その結果、自動アサーション推論は証明工学の労力を大幅に削減できることが示された。
  論文  参考訳（メタデータ） (2025-10-31T09:45:39Z)
• Proximity-Based Evidence Retrieval for Uncertainty-Aware Neural Networks [6.9681910774977815]
  本研究は,不確実性を考慮した意思決定のためのエビデンス・検索機構を提案する。 それぞれのテストインスタンスに対して、例題は埋め込み空間で検索され、それらの予測分布はデンプスター・シェーファー理論を介して融合される。 支持する証拠は明確であるため、決定は透明で監査可能である。
  論文  参考訳（メタデータ） (2025-09-11T13:12:22Z)
• From Relevance to Utility: Evidence Retrieval with Feedback for Fact Verification [118.03466985807331]
  我々は、FVの関連性よりも、クレーム検証者が取得した証拠から導出する実用性に焦点を当てる必要があると論じる。 本稿では,エビデンス検索プロセスの最適化に,クレーム検証器からのフィードバックを取り入れたフィードバックベースのエビデンス検索手法(FER)を提案する。
  論文  参考訳（メタデータ） (2023-10-18T02:59:38Z)

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。