AAAIDec, 2019

通过强化学习进行假新闻检测的弱监督方法

PDF
TL;DR本研究提出了一种基于弱监督的虚假新闻检测框架 WeFEND，该框架利用用户举报作为弱监督来扩大数据集规模。我们采用增强学习方法，从弱标注数据中选择高质量样本来提高检测器的精度。实验结果表明，与现有技术相比，WeFEND 模型在微信公众号新闻数据集上实现了最优性能的虚假新闻检测。
fake news detectiondeep learningweak supervisionreinforcement learningperformance
发现论文，激发创造
  • 利用多源弱社交监督进行假新闻的早期检测

    本研究提出了一种利用社交媒体上的弱标注信号并采用深度神经网络在元学习框架下结合少量干净数据进行训练，以提高虚假新闻的早期检测的方法，实验结果显示该方法可以有效地超越目前的最先进的基准线模型。

    Apr, 2020

  • 利用薄弱的社交监督检测假新闻

    本文探讨如何利用社交媒体生成弱社交监督来缓解标签数据的匮乏问题，并以社交媒体上的假新闻检测为例，展示了弱社交监督在面对标记数据问题时的有效性，为其他新兴任务学习提供了新思路。

    Oct, 2019

  • 基于强化学习的领域自适应假新闻检测

    该论文探讨了社交媒体中假新闻传播的挑战，并引入基于增强学习的模型（REAL-FND），将用户评论和用户 - 新闻交互等辅助信息结合起来，利用跨领域以及领域内的知识，特别是在目标领域的数据有限的情况下，有效地检测假新闻。

    Feb, 2022

  • 基于多模态弱信号的无监督领域无关假新闻检测

    本研究提出了一个有效的无监督框架，用于利用社交媒体中四种信息类型的知识，从而检测 COVID-19 相关新闻中的虚假信息。该框架使用一个强大的噪声鲁棒的自监督学习技术和一种新颖的数据集构建技术来提高检测性能，并在现有的标记数据集上取得了显著改进。

    May, 2023

  • 基于弱监督学习利用新闻、发布者和用户的可信度进行假新闻的早期检测

    本文提出了一种新的结构感知多头注意力网络（SMAN），该网络通过联合优化假新闻检测和可信度预测任务，明确地利用出版商和用户的可信度进行早期假新闻检测，实验结果表明 SMAN 可以在 4 小时内以超过 91% 的准确率检测出假新闻，比现有模型快得多。

    Dec, 2020

  • 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

  • 评估深度学习方法用于 Covid19 虚假新闻检测

    本文研究通过数据挖掘的角度对社交媒体上的假新闻进行自动检测，并用不同的文本分类算法在 Contraint@AAAI 2021 Covid-19 假新闻检测数据集上进行评估。通过使用卷积神经网络（CNN）、长短时记忆（LSTM）和双向编码器变换器（BERT）来进行分类，并评估了无标签 Covid 推文语料库中的无监督学习的重要性。最终结果在 Covid-19 假新闻检测数据集上表现出 98.41％的最佳准确性。

    Jan, 2021

  • 元神经过程网络多模态应急假新闻检测

    该论文提出了一种名为 MetaFEND 的端到端假新闻检测框架，将元学习和神经过程方法相结合，有效处理分类信息和修剪不相关的帖子，可以在新出现的事件上快速学习并检测到假新闻。

    Jun, 2021

  • 自动检测虚假新闻

    本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

    Aug, 2017

  • 卷积神经网络和深度神经网络的组合在假新闻检测中的应用

    本文介绍了 Fake News Challenge stage #1 (FNC-1) 数据集并概述了使用该数据集构建伪新闻检测系统的竞争尝试。通过使用不同的自然语言处理技术处理标题和正文文本，提取特征并使用软余弦相似性方法计算相似度。该系统使用深度学习方法进行分类，除了 “disagree” 类别外，其余类别均达到高准确性，最终分类准确率达到 84.6％，在该数据集上排名第二。

    Oct, 2022