MalFake: A Multimodal Fake News Identification for Malayalam using Recurrent Neural Networks and VGG-16

要約

オンラインで消費されるニュースの量は近年大幅に増加しています。
一部のオンライン サイトでは、急速な出版と編集基準の欠如により、特にマラヤーラム語などの地域言語でフェイク ニュースがますます一般的になってきています。
フェイクニュースは社会にひどい影響を与え、人々が誤った判断を下したり、当局への信頼を失ったり、さらには暴力行為に及んだりする可能性があります。
インドという文脈に目を向けると、多くの地域言語があり、どの言語でもフェイクニュースが蔓延しています。
したがって、地域の言語で誤った情報を特定するための効率的な技術を提供することが重要です。
これまでマラヤーラム語では、複数のモダリティから特徴を抽出してフェイクニュースを分類する作業はほとんど行われてこなかった。
マルチモーダル アプローチは、複数のモダリティから特徴が抽出されて深層学習分類モデルを構築するため、フェイク ニュースをより正確に検出します。
私たちが知る限り、これは誤った情報に対処するためにマルチモーダルディープラーニングを使用したマラヤーラム語の最初の作品です。
通常、複数のモダリティでトレーニングされたモデルは、1 つのモダリティのみでトレーニングされたモデルよりも優れたパフォーマンスを発揮します。
マルチモーダルディープラーニングを利用したマラヤーラム語での私たちの研究は、より効果的な誤情報の検出と軽減に向けた重要な一歩です。

要約(オリジナル)

The amount of news being consumed online has substantially expanded in recent years. Fake news has become increasingly common, especially in regional languages like Malayalam, due to the rapid publication and lack of editorial standards on some online sites. Fake news may have a terrible effect on society, causing people to make bad judgments, lose faith in authorities, and even engage in violent behavior. When we take into the context of India, there are many regional languages, and fake news is spreading in every language. Therefore, providing efficient techniques for identifying false information in regional tongues is crucial. Until now, little to no work has been done in Malayalam, extracting features from multiple modalities to classify fake news. Multimodal approaches are more accurate in detecting fake news, as features from multiple modalities are extracted to build the deep learning classification model. As far as we know, this is the first piece of work in Malayalam that uses multimodal deep learning to tackle false information. Models trained with more than one modality typically outperform models taught with only one modality. Our study in the Malayalam language utilizing multimodal deep learning is a significant step toward more effective misinformation detection and mitigation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google