Out-of-distribution Rumor Detection via Test-Time Adaptation

要約

ソーシャルメディア上での噂の急速な拡散により、噂の検出は非常に重要な課題となっています。
噂検出のための既存の方法は、モデルのトレーニングに必要な同じデータ分布から十分なコーパスを収集しているため、良好なパフォーマンスを達成しています。
ただし、ニューストピック、ソーシャルメディアプラットフォーム、言語の違い、およびニュースの人気による伝播規模の差異により、トレーニングデータと現実世界のテストデータの間で大きな分布の変化が発生します。
これにより、配布外 (OOD) 状況では、これらの既存の方法のパフォーマンスが大幅に低下します。
この問題に対処するために、分布シフト下での噂検出のためのテスト時間適応 (TARD) という名前のシンプルで効率的な方法を提案します。
この方法は、ニュースの伝播を伝播グラフの形式でモデル化し、伝播グラフのテスト時適応フレームワークを構築して、OOD 問題に直面した場合のモデルの適応性と堅牢性を強化します。
現実世界のソーシャル プラットフォームから収集された 2 つのグループ データセットに対して行われた広範な実験により、私たちのフレームワークがパフォーマンスにおいて最先端の手法を上回ることが実証されました。

要約(オリジナル)

Due to the rapid spread of rumors on social media, rumor detection has become an extremely important challenge. Existing methods for rumor detection have achieved good performance, as they have collected enough corpus from the same data distribution for model training. However, significant distribution shifts between the training data and real-world test data occur due to differences in news topics, social media platforms, languages and the variance in propagation scale caused by news popularity. This leads to a substantial decline in the performance of these existing methods in Out-Of-Distribution (OOD) situations. To address this problem, we propose a simple and efficient method named Test-time Adaptation for Rumor Detection under distribution shifts (TARD). This method models the propagation of news in the form of a propagation graph, and builds propagation graph test-time adaptation framework, enhancing the model’s adaptability and robustness when facing OOD problems. Extensive experiments conducted on two group datasets collected from real-world social platforms demonstrate that our framework outperforms the state-of-the-art methods in performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google