Evolving to the Future: Unseen Event Adaptive Fake News Detection on Social Media

要約

ソーシャルメディアの急速な発展に伴い、ソーシャルメディア上でのフェイクニュースの広範な拡散は、個人と社会の両方にますます脅威を与えています。
ソーシャル メディアでのフェイク ニュース検出に関する特有の課題の 1 つは、将来の出来事に関するフェイク ニュースをどのように検出するかです。
近年、文字情報や投稿の伝播構造を利用したフェイクニュース検知モデルが多数提案されている。
残念ながら、既存のアプローチのほとんどは、予測のためにイベント固有の機能に大きく依存しており、目に見えないイベントに一般化できないため、この課題にほとんど対処できません。
これに対処するために、\textbf{F}uture \textbf{AD}aptive \textbf{E}vent ベースのフェイク ニュース検出 (FADE) フレームワークを導入します。
具体的には、適応拡張戦略を通じてターゲット予測子をトレーニングし、グラフ対照学習を行うことで、より高品質の特徴を取得し、より正確な全体的な予測を行います。
同時に、イベントのみの予測子を独立してトレーニングして、偏った予測を取得します。
ターゲット予測子の出力からイベントのみの予測子の出力を減算して最終的な予測を取得することで、イベントのバイアスをさらに軽減します。
現実世界のソーシャルメディアの状況をエミュレートするように設計された実験からの有望な結果は、既存の最先端のアプローチと比較して、私たちの方法の有効性を検証します。

要約(オリジナル)

With the rapid development of social media, the wide dissemination of fake news on social media is increasingly threatening both individuals and society. One of the unique challenges for fake news detection on social media is how to detect fake news on future events. Recently, numerous fake news detection models that utilize textual information and the propagation structure of posts have been proposed. Unfortunately, most of the existing approaches can hardly handle this challenge since they rely heavily on event-specific features for prediction and cannot generalize to unseen events. To address this, we introduce \textbf{F}uture \textbf{AD}aptive \textbf{E}vent-based Fake news Detection (FADE) framework. Specifically, we train a target predictor through an adaptive augmentation strategy and graph contrastive learning to obtain higher-quality features and make more accurate overall predictions. Simultaneously, we independently train an event-only predictor to obtain biased predictions. We further mitigate event bias by subtracting the event-only predictor’s output from the target predictor’s output to obtain the final prediction. Encouraging results from experiments designed to emulate real-world social media conditions validate the effectiveness of our method in comparison to existing state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google