複数のソーシャルメディアプラットフォームにおける説明可能な誤情報検出【JST・京大機械翻訳】

Joshi Gargi; Srivastava Ananya; Yagnik Bhargav; Hasan Mohammed; Saiyed Zainuddin; Gabralla Lubna A; Abraham Ajith; Walambe Rahee; Kotecha Ketan

プレプリント

J-GLOBAL ID：202202214140089030 整理番号：22P0308374

複数のソーシャルメディアプラットフォームにおける説明可能な誤情報検出【JST・京大機械翻訳】

Explainable Misinformation Detection Across Multiple Social Media Platforms

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年03月20日プレプリントサーバーでの情報更新日： 2022年09月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

本研究では,2つの機械学習アプローチ,即ち,ドメイン適応と説明可能なAIの統合を提案し,一般化検出と説明可能性のこれら2つの問題に対処した。第1に,ドメイン敵対ニューラルネットワーク(DANN)は,複数のソーシャルメディアプラットフォームDANNを通して,一般化誤情報検出器を開発し,関連したが,しかし,データのないテストドメインのための分類結果を作り出すために採用する。従来のブラックボックスモデルであるDANNベースのモデルは,その成果,すなわち,ターゲットドメインに対するラベルを正当化できない。したがって,局所インタプリテーブルモデル-知識説明(LIME)説明可能なAIモデルを適用して,DANNモードの結果を説明した。これらの2つのアプローチと効果的な説明可能な一般化検出のためのそれらの統合を実証するために,COVID-19誤情報を事例研究として考察した。2つのデータセット,すなわち,CoAIDとMiSoVacを用いて実験を行い,DANN実装有りと無しの結果と比較した。DANNは,精度を有意に改善し,精度およびAUC性能を改善する。得られた結果は,提案フレームワークがドメインシフトの場合によく機能し,ドメイン不変特徴を学習でき,一方,LIME実装によるターゲットラベルを説明し,誤情報を効果的に戦闘する信頼できる情報処理と抽出を可能にすることを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, 【Automatic Indexing@JST】

パターン認識 , 人工知能

前のページに戻る