CNFRD: A Few‐Shot Rumor Detection Framework via Capsule Network for COVID‐19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, COVID‐19 has become the hottest topic. Various issues, such as epidemic transmission routes and preventive measures, have “occupied” several online social media platforms. Many rumors about COVID‐19 have also arisen, causing public anxiety and seriously affecting normal social order. Identifying a rumor at its very inception is crucial to reducing the potential harm of its evolution to society as a whole. However, epidemic rumors provide limited signal features in the early stage. In order to identify rumors with data sparsity, we propose a few‐shot learning rumor detection model based on capsule networks (CNFRD), utilizing the metric learning framework and the capsule network to detect the rumors posted during unexpected epidemic events. Specifically, we constructively use the capsule network neural layer to summarize the historical rumor data and obtain the generalized class representation based on the historical rumor data samples. Besides, we calculate the distance between the epidemic rumor sample and the historical rumor class‐wise representation according to the metric module. Finally, epidemic rumors are discriminated against according to the nearest neighbor principle. The experimental results prove that the proposed method can achieve higher accuracy with fewer epidemic rumor samples. This approach provided 88.92% accuracy on the Chinese rumor dataset and 87.07% accuracy on the English rumor dataset, which improved by 7% to 23% over existing approaches. Therefore, the CNFRD model can identify epidemic rumors in COVID‐19 as early as possible and effectively improve the performance of rumor detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle