全能型协同学习:谣言辨别
本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架,用于在社交网络中评估信息真实性,并在两个真实数据集上进行广泛实验,结果显示 MONITOR 优于现有的机器学习基线,并且集成模型显着提高了 MONITOR 的性能。
Jan, 2023
本文提出了一种基于情感分类的多任务框架,利用迁移学习技术标记四个假新闻检测和谣言检测数据集,并证明了情感与假新闻和谣言检测的合法性的相关性,进而提供了一种改进的特征提取方法。实验结果证明,该多任务模型在准确性、精确度、召回率和 F1 分数方面一致优于单任务方法,无论是在同领域还是异领域的数据集中。
Nov, 2022
本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架,通过对社交媒体上的巨量数据进行聚类和分析,解决了传统处理方法效率低下的问题,实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。
Jul, 2020
本文提出了一种基于图卷积神经网络的层级多任务学习框架,用于同时预测 Twitter 上谣言立场和可信度,底部组件使用结构属性建模来分类谣言推文的立场,而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明,我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。
Sep, 2019
本文就社交媒体中的谣言进行了调查研究,介绍和讨论了两种流行的谣言类型,并提出了一个由四个部分组成的谣言分类系统,包括谣言检测、谣言追踪、谣言态度分类和谣言真实性分类。最终总结了社交媒体挖掘中谣言检测和解决的研究方向和建议。
Apr, 2017
利用会话式引导工程的大型语言模型来对抗数字虚假信息,通过扩展 RumourEval 任务的研究努力,从事推特数据集的真实性预测和立场分类,以 AI 社会公益为主要目标。
Apr, 2024
本文研究如何将模型和数据的不确定性估计融入自然语言处理模型中,用以辨识在线谣言,我们提出了两种基于不确定性的算法,并证明可以优先处理容易出错的实例进行人工事实核查。同时,我们还展示了如何使用不确定性估计来解读谣言传播中的模型表现。
May, 2020
本研究提出了一种零样本跨语言迁移学习框架,利用预训练的多语言语言模型和自我训练循环来逐步引导目标语言中 ' 银标签 ' 的创建,从而将已训练好的谣言检测模型从源语言适应到另一种目标语言。在英语和汉语谣言数据集上进行评估,证明了该模型在源语言和目标语言的谣言检测方面均明显优于竞争基准。
Sep, 2021
本文旨在开发一个自动化、监督的分类器,使用多任务学习来分类疑点话题中每个个体推文中的立场,从而将高争议的流言标记为潜在的虚假信息。我们的分类器基于高斯过程,探究其有效性并对具有不同特征和立场分布变化的两个数据集进行探索性研究。结果表明,我们的方法始终优于其他基线分类器。特别是在估计与给定流言相关的不同类型立场的分布方面,我们的分类器非常有效。这是我们要提出的一种理想特征,用于跟踪流言并向普通 Twitter 用户和专业新闻从业者发出警告。
Sep, 2016