跨语言跨平台谣言验证在多媒体内容上的支点
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
该研究探讨了利用多模式特征融合和引入外部知识来检测短视频假消息的方法,包括数据集构建,多模式谣言检测模型和对比学习技术,并在实际应用场景中发挥作用。
Apr, 2023
提出一种基于知识引导的双一致性网络,用于检测具有多媒体内容的谣言,该网络具有两个一致性检测子网络,可同时捕获跨模态和内容 - 知识水平的不一致性,并在不同丢失视觉模态条件下实现鲁棒的多模态表示学习。该框架在三个公共实际多媒体数据集上的广泛实验表明,可以在完整和不完整的多模态条件下优于最先进的基线。
Jun, 2023
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
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
本文研究如何使用现有数据集训练 Twitter 消息的不同语言的验证价值模型。通过使用多语言 BERT 模型,我们系统地比较了六种方法。结果表明,对于一些语言对,零 - shot 跨语言转移是可能的,并且可以与在目标语言上训练的单语模型一样好。
Nov, 2022