Robust Misinformation Detection by Visiting Potential Commonsense Conflict

要約

インターネットテクノロジーの開発により、誤った情報の有病率が増加し、多様なドメイン全体で深刻な悪影響を引き起こしました。
この課題を軽減するために、オンライン誤った情報を自動的に検出することを目指して、誤った情報検出（MD）は、コミュニティで急速に成長する研究トピックとして浮上しています。
この論文では、MDタスクの新しいプラグアンドプレイ増強法、つまり潜在的な常識紛争（MD-PCC）による誤った情報検出を提案します。
私たちは、偽の記事が常識的な紛争を伴う可能性が高いことを示す以前の研究からインスピレーションを得ています。
したがって、私たちは記事の常識的な表現を構築し、抽出された常識的なトリプレットと、確立された常識的な推論ツール彗星によって推測される金色のトリプレットとの違いによって推測される潜在的な常識的な紛争を表現するのに役立ちます。
これらの式は、各記事に対して増強として指定されます。
特定のMDメソッドは、これらの常識的な記事でトレーニングすることができます。
その上、私たちはまた、Comisという名前の新しいCommonsense指向のデータセットを収集します。
MD-PCCをさまざまな既存のMDバックボーンと統合し、4つのパブリックベンチマークデータセットとCOMIの両方でそれらを比較します。
経験的結果は、MD-PCCが既存のMDベースラインを一貫して上回ることができることを示しています。

要約(オリジナル)

The development of Internet technology has led to an increased prevalence of misinformation, causing severe negative effects across diverse domains. To mitigate this challenge, Misinformation Detection (MD), aiming to detect online misinformation automatically, emerges as a rapidly growing research topic in the community. In this paper, we propose a novel plug-and-play augmentation method for the MD task, namely Misinformation Detection with Potential Commonsense Conflict (MD-PCC). We take inspiration from the prior studies indicating that fake articles are more likely to involve commonsense conflict. Accordingly, we construct commonsense expressions for articles, serving to express potential commonsense conflicts inferred by the difference between extracted commonsense triplet and golden ones inferred by the well-established commonsense reasoning tool COMET. These expressions are then specified for each article as augmentation. Any specific MD methods can be then trained on those commonsense-augmented articles. Besides, we also collect a novel commonsense-oriented dataset named CoMis, whose all fake articles are caused by commonsense conflict. We integrate MD-PCC with various existing MD backbones and compare them across both 4 public benchmark datasets and CoMis. Empirical results demonstrate that MD-PCC can consistently outperform the existing MD baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google