估计谣言验证模型的预测不确定性
社交媒体上的谣言验证任务涉及根据产生的会话线程来评估主张的真实性。我们通过使用事后可解释方法评分来得到最重要的帖子,然后使用这些帖子通过模板引导总结生成信息性的解释总结,表明解释的抽象总结比仅使用线程中排名最高的帖子更具信息性并更好地反映了预测的谣言真实性,从而重新制定此任务。
Jan, 2024
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
本文建立了一个自然语言处理系统来预测谣言并探索了谣言和事实的差异,通过 COVID-19 推文分析,结果表明语言结构是区分谣言和事实的更好特征,而谣言推文中包含更多与政治和负面情绪相关的词汇。
Apr, 2023
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
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
本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法,可以更精确地预测,提高分类器的预测准确性,尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。
Jul, 2019
本论文提出了新方法来研究自然语言处理(NLP)任务中表征模型和数据不确定性的好处,通过在卷积和循环神经网络模型上的实证实验,展示了明确建模不确定性不仅有利于测量输出置信水平,而且对于提升各种 NLP 任务中的模型表现也是有用的。
Nov, 2018
介绍了 RumourEval 项目,旨在识别和处理文本中的谣言和转发,提出了注释方案和一个包含多个主题的大型数据集,为参与方提出两个具体挑战,并介绍了参与者的成果。
Apr, 2017
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