> Detailanzeige

Tahmasebi, Sahar [VerfasserIn]; Hakimov, Sherzod [VerfasserIn]; Ewerth, Ralph [VerfasserIn]; Müller-Budack, Eric [VerfasserIn]; Kompatsiaris, Ioannis (Yiannis) [VerfasserIn]; Luo, Jiebo [VerfasserIn]; Sebe, Nicu [VerfasserIn]; Yao, Angela [VerfasserIn]; Mezaris, Vasileios [VerfasserIn]; Papadopoulos, Symeon [VerfasserIn]; Popescu, Adrian [VerfasserIn]; Huang, Zi (Helen) [VerfasserIn]

Improving Generalization for Multimodal Fake News Detection - [published Version]

Literatur-
verwaltung

Zur
Merkliste

Lösche von
Merkliste

Per Whatsapp teilen

Schließen

Merkliste



Sie können Bookmarks mittels Listen verwalten, loggen Sie sich dafür bitte in Ihr SLUB Benutzerkonto ein.
  • Medientyp: Sonstige Veröffentlichung; E-Artikel
  • Titel: Improving Generalization for Multimodal Fake News Detection
  • Beteiligte: Tahmasebi, Sahar [VerfasserIn]; Hakimov, Sherzod [VerfasserIn]; Ewerth, Ralph [VerfasserIn]; Müller-Budack, Eric [VerfasserIn]; Kompatsiaris, Ioannis (Yiannis) [VerfasserIn]; Luo, Jiebo [VerfasserIn]; Sebe, Nicu [VerfasserIn]; Yao, Angela [VerfasserIn]; Mezaris, Vasileios [VerfasserIn]; Papadopoulos, Symeon [VerfasserIn]; Popescu, Adrian [VerfasserIn]; Huang, Zi (Helen) [VerfasserIn]
  • Erschienen: New York, NY : Association for Computing Machinery, 2023
  • Erschienen in: ICMR '23: Proceedings of the 2023 ACM International Conference on Multimedia Retrieval
  • Ausgabe: published Version
  • Sprache: Englisch
  • DOI: https://doi.org/10.15488/17064; https://doi.org/10.1145/3591106.3592230
  • ISBN: 979-8-4007-0178-8
  • Schlagwörter: news analytics ; Multimodal fake news detection ; Konferenzschrift ; social media
  • Entstehung:
  • Anmerkungen: Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
  • Beschreibung: The increasing proliferation of misinformation and its alarming impact have motivated both industry and academia to develop approaches for fake news detection. However, state-of-the-art approaches are usually trained on datasets of smaller size or with a limited set of specific topics. As a consequence, these models lack generalization capabilities and are not applicable to real-world data. In this paper, we propose three models that adopt and fine-tune state-of-the-art multimodal transformers for multimodal fake news detection. We conduct an in-depth analysis by manipulating the input data aimed to explore models performance in realistic use cases on social media. Our study across multiple models demonstrates that these systems suffer significant performance drops against manipulated data. To reduce the bias and improve model generalization, we suggest training data augmentation to conduct more meaningful experiments for fake news detection on social media. The proposed data augmentation techniques enable models to generalize better and yield improved state-of-the-art results.
  • Zugangsstatus: Freier Zugang