Komisja Informatyki PAN zaprasza pracowników naukowych, doktorantów i studentów na otwarte posiedzenie Komisji, które odbędzie się 15 października 2024 r. o godz. 10:15 w sali numer 100 Wydziału Informatyki Zachodniopomorskiego Uniwersytetu Technologicznego w Szczecinie oraz za pośrednictwem platformy MS Teams LINK DO SPOTKANIA.
W czasie posiedzenia José Fabio Ribeiro Bezerra oraz Patient Zihisire Muke, doktoranci Wydziału Informatyki i Telekomunikacji Politechniki Wrocławskiej, przedstawią wyniki swoich prac badawczych. Spotkanie jest realizowane w ramach współpracy międzyregionalnej.
Streszczenia wystąpień:
Tytuł: Multimodalne wielowarstwowe wykrywanie fałszywych wiadomości
Prezenter: José Fabio Ribeiro Bezerra
W dzisiejszej erze cyfrowej coraz trudniej jest zaufać dokładności informacji. Ważne jest, aby umieć odróżnić prawdziwe wiadomości od dezinformacji, która często rozprzestrzenia się za pośrednictwem plotek i fałszywych wiadomości. Fałszywe wiadomości nie mają weryfikacji i wiarygodności i mogą być rozpowszechniane za pośrednictwem różnych mediów. Aby walczyć z tym problemem, potrzebujemy skutecznych narzędzi do szybkiej i dokładnej identyfikacji fałszywych wiadomości. Nasz projekt badawczy koncentruje się na multimodalnym podejściu do wykrywania fałszywych wiadomości, wykorzystującym wskazówki z różnych źródeł, takich jak tekst, obrazy i interakcje użytkowników. Proponujemy nowe rozwiązanie problemu wykrywania fałszywych wiadomości, obejmujące wiele warstw (warstwa tematyczna, warstwa społecznościowa, warstwa kontekstowa), aby zapewnić wiarygodną, elastyczną i formalną podstawę poprzez analizę tematów, relacji z autorami i kontekstu. Nasze podejście oferuje wielowarstwowe rozwiązanie pozwalające określić autentyczność danego tweeta. Opracowaliśmy również ulepszoną metodę identyfikowania tematów i wykrywania społeczności w mediach społecznościowych, które są kluczowymi krokami w finalizacji multimodalnego wielowarstwowego modelu fałszywych wiadomości.
Title: Novel machine learning approach based on real time multi-modal data to improve Cognitive Workload Classification in Human computer interaction
Presenter: Patient Zihisire Muke
Abstract: Techniques of improving the cognitive workload (CWL) classification using real-time multi-modality data through the combination of supervised and unsupervised machine learning methods are limited. In this seminar I will introduce new developed machine learning pipeline which combine new unsupervised methods within the feature engineering phase and supervised learning methods to improve the effectiveness in the classification performance of CWL during Human computer interaction (HCI) and computerized mental-related tasks. Eight multi-modal datasets were used to objectively assess CWL. The first dataset, CogLoad, is publicly available and includes real time CWL measures such as performance, demographic and physiological data (heart rate (HR), beat-to-beat intervals (RR), galvanic skin response (GSR), skin temperature, and three-axis acceleration). The remaining seven were different self-collected datasets where each dataset comprise as well CWL real time measurement data from multi-modality data source including demographic and physiological data (Electroencephalogram (EEG), Galvanic Skin Response (GSR) and Eye Tracking (ET) with Pupillometry included). Extracted features from each modality were organized and prepared for all involved unsupervised and supervised machine learning processes. Based on developed classification models using supervised learning techniques, the conducted research proved the usefulness of using new appropriate unsupervised methods which improve CWL classification accuracy of users/participants in many case studies. The theoretical model of the developed pipeline which combined the new built unsupervised learning method and the standard supervised classification method was constructed as well.
Zapraszamy serdecznie!