EMNLPSep, 2019

同样的共享，不同的吸收：筛选多任务学习用于假新闻检测

PDF
TL;DR本文提出了一种基于神经网络和多任务学习的方法，该方法采用门机制和注意机制来筛选和选择任务间的共享特征，并在两个公开数据集上获得了最优的性能。
neural networksmulti-task learningfake news detectiongate mechanismattention mechanism
发现论文，激发创造
  • 一种基于情感感知的多任务迁移学习方法，用于虚假新闻和谣言检测

    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

  • 多头注意力层级网络用于证据感知的假新闻检测

    本研究提出了一种基于 Hierarchical Multi-head Attentive Network 的虚假新闻检测方法，该方法使用多头词级别和文档级别的注意力实现解释，并在两个实际数据集上优于七种现有方法。

    Feb, 2021

  • 文本分类的对抗多任务学习

    本文提出了一个基于对抗学习的多任务学习框架，在 16 个文本分类任务上的实验结果表明了该方法的优势，并证明了模型学习到的共享知识可以作为现成的知识轻松迁移到新的任务中。

    Apr, 2017

  • AdaShare：学习数据共享策略以提高深度多任务学习效率

    本文提出了一种自适应共享方法 AdaShare，通过任务特定的策略选择性地决定跨哪些任务共享众多的深度神经网络层，从而实现最佳识别准确度和资源效率。实验表明，该方法针对具有多个任务的不同基准数据集具有优异的效果。

    Nov, 2019

  • 相似度感知的多模态提示学习用于假新闻检测

    本篇研究提出了一个基于相似性感知的多模态提示学习框架 (SAMPLE) 用于检测假新闻，通过三种提示模板和一种软性描述器分析，并采用自适应融合方法来减少因不相关的交叉模态特征注入噪音，实验表明相较于先前方法，SAMPLE 在两个基准多模态数据集中的 F1 值和准确性均有所提高。另外，SAMPLE 不论在少量数据或是数据丰富的情况下都优于其他方法。

    Apr, 2023

  • 基于机器学习技术的假新闻检测

    我们使用自然语言处理方法对 1876 条新闻数据进行预处理，通过训练模型将假新闻和真实新闻进行分类，最终通过 Naive Bayes 分类器得出 56% 的准确率和平均 32% 的 F1-macro 得分。

    Sep, 2023

  • 自动检测虚假新闻的深度学习方法

    提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

    May, 2020

  • 适应性交互融合网络用于假新闻检测

    提出了自适应交互融合网络（AIFN），其中使用门控自适应交互网络（GAIN）发现语义冲突，并使用语义级融合自注意网络（SFSN）增强特征相关性和融合。在 RumourEval 和 PHEME 两个真实世界的数据集上的广泛实验表明，AIFN 实现了最先进的表现，并将精度分别提高了 2.05% 和 1.90%。

    Apr, 2020

  • 多任务网络中的全自适应特征共享及其在个人属性分类中的应用

    本文提出了一种以紧凑的多任务深度学习架构为设计目标的方法，使用一种推动类似任务聚集的新标准在训练期间贪心地扩大网络，以优化多任务学习的泛化性能并在人员属性分类任务中取得最先进的精度。

    Nov, 2016

  • 跨域多模态数据在假新闻检测中应用：接纳领域差异

    本研究介绍了一种新的自动检测跨领域新闻中虚假消息的技术，该技术整合了领域特定和跨领域知识，并利用一种无监督的选择性注释技术来减少标注成本，并在跨领域的新闻数据集上实现了最先进的性能。

    Feb, 2021