SAFE: 相似度感知的多模式假新闻检测
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
本文提出了一种名为M$^3$FEND的框架，通过从多视角建模内容，包括语义、情感和风格等，使用领域记忆库显著改进了领域信息，适应性地聚合多个视角的判别性信息，提高了跨领域假新闻检测的成功率。
Jun, 2022
本研究开发了一个深度概率模型，该模型使用一个变分自动编码器和双向LSTM网络的密集文本表示与从贝叶斯混合模型中推断出的语义主题相关特征，旨在使用可解释的特征和方法检测真假新闻，实验证明该方法实现了与现有方法可比较的性能。
Sep, 2022
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
本文提出了一种可解释的跨模态去上下文检测方法来辨别不匹配的内容和交叉模态的矛盾，可以帮助事实查核网站记录阐明批驳，实验表明该方法在保持准确率的同时能提供更多可解释的预测。
Apr, 2023
本文提出了三种基于多模态transformer的假新闻检测模型，并通过深入分析操纵数据的方法来探索这些模型在社交媒体上实际使用情况下的性能。研究发现，这些系统在面临被操纵的数据时会出现显著性能下降。为了减少偏差并改善模型的推广能力，本文建议使用数据增强技术对社交媒体上的假新闻检测进行更有意义的实验。所提出的数据增强技术使得模型的泛化能力得到了提高，并获得了最先进的效果。
May, 2023
本研究提出了FaKnow，一个统一且全面的假新闻检测算法库，其中包括基于内容和社交环境两种常用的假新闻检测模型，有效地组织了数据、模型和训练过程，并提供可视化和日志等辅助功能和工具，同时为该领域的研究人员的努力做出了贡献。
Jan, 2024
本研究解决了虚假新闻检测中对不一致信息关注不足的问题，提出了一种自适应多模态特征融合网络（MFF-Net）。MFF-Net 的核心创新在于智能识别和结合新闻内容中的一致和不一致信息，从而显著提高了虚假新闻检测的准确性和有效性。
Aug, 2024
本研究解决了假新闻检测中对不一致信息关注不足的问题，提出了一种适应性多模态特征融合网络（MFF-Net）。该方法专注于当新闻内容一致时的不一致部分以及不一致时的一致部分，从而有效利用不同模态的信息，实验结果表明MFF-Net在假新闻检测方面优于现有的最先进方法。
Aug, 2024