文献

J-GLOBAL ID：202202215864009215   整理番号：22A0960207

生涯機械学習に基づく Ru検出【JST・京大機械翻訳】

Rumors Detection Based on Lifelong Machine Learning

著者 (4件)： He Xiaoxia (School of Information Science and Engineering, Xinjiang University, Urumqi, China) ,  Tuerhong Gulanbaier (School of Information Science and Engineering, Xinjiang University, Urumqi, China) ,  Wushouer Mairidan (School of Information Science and Engineering, Xinjiang University, Urumqi, China) ,  Xin Dai (School of Information Science and Engineering, Xinjiang University, Urumqi, China)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 25605-25620  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 訓練データの量はWeibo rumor検出の分野において小さく,オンラインニュースは絶えず変化するが,既存のモデルは連続学習の能力を持たず,それらが知識蓄積と更新を達成できないことを意味する。したがって,それらは,それらの検出能力を改善するために,多くの訓練例を必要とする。対照的に,生涯マシン学習(LML)パラダイムは,過去において学習された知識を保持し,将来の学習タスクを助けるためにそれを使用する連続学習の能力を持っている。学習後,いくつかの知識を更新した。知識の成長および更新によって,各々のタスクの性能は,より良くて,より良くなった。したがって,このパラダイムを用いてWeibo rumor検出モデルを構築した。最初に,Weiboイベントからのコンテンツ,ユーザ,および伝播に基づく3種類の特徴を抽出し,3つの新しい伝搬特性と,反芻者検出のためのソースメッセージの変換者(BERT)セマンティック特徴からの双方向エンコーダ表現を提案した。次に,擬似アニーリング(SA)を用いて,遺伝的アルゴリズム(GA)を改善し,それは,反芻者に及ぼす効率的寿命学習アルゴリズム(ELLA)の分類効果を強化するために,最良の大域的最小特徴部分集合を探索するために使用するGA-SAと呼ばれた。ELLAは,新しいタスクを学習し,連続学習プロセスにおけるすべてのタスクにわたって性能を最大化するための時間にわたる知識を精緻化する知識を転送する。提案したモデルをGA-SA-ELLAと呼ぶ。実験結果は,著者らのモデルが各タスクに対してより少ない訓練データでも優れた検出結果を達成できることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 検出 ,  *学習 ,  データ ,  *ルテニウム ,  符号器 ,  モデル ,  反芻 ,  伝搬特性 ,  ニュース ,  *機械学習 ,  遺伝的アルゴリズム ,  学習アルゴリズム ,  コンテンツ
準シソーラス用語： 訓練データ ,  学習過程 ,  オンライン , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  検索技術  (AC06020S)

タイトルに関連する用語 (2件)： 機械学習 ,  Ru