Learn over Past, Evolve for Future: Forecasting Temporal Trends for Fake News Detection

要約

フェイク ニュースの検出は、オンライン ニュース エコシステムの健全性を維持するために重要なタスクです。
しかし、実際にニュース データの急速に進化する性質によって引き起こされる時間的シフトの問題を考慮した既存の研究はほとんどありません。その結果、過去のデータでトレーニングしたり、将来のデータでテストしたりするときにパフォーマンスが大幅に低下します。
この論文では、同じトピックに関するニュースイベントの出現が時間の経過とともに識別可能なパターンを示す可能性があることを観察し、そのようなパターンはモデルを将来のデータによりよく適応させる可能性のあるトレーニングインスタンスの選択に役立つ可能性があると仮定します。
具体的には、ニュースデータの時間的分布パターンを予測し、将来の分布に迅速に適応するように検出器をガイドできる効果的なフレームワーク FTT (Forecasting Temporal Trends) を設計します。
現実世界の時間的に分割されたデータセットでの実験は、私たちが提案したフレームワークの優位性を示しています。
コードは https://github.com/ICTMCG/FTT-ACL23 で入手できます。

要約(オリジナル)

Fake news detection has been a critical task for maintaining the health of the online news ecosystem. However, very few existing works consider the temporal shift issue caused by the rapidly-evolving nature of news data in practice, resulting in significant performance degradation when training on past data and testing on future data. In this paper, we observe that the appearances of news events on the same topic may display discernible patterns over time, and posit that such patterns can assist in selecting training instances that could make the model adapt better to future data. Specifically, we design an effective framework FTT (Forecasting Temporal Trends), which could forecast the temporal distribution patterns of news data and then guide the detector to fast adapt to future distribution. Experiments on the real-world temporally split dataset demonstrate the superiority of our proposed framework. The code is available at https://github.com/ICTMCG/FTT-ACL23.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google