Aug, 2020

面向解释性虚假信息检测的联动可信度审查

PDF
TL;DR本文提出了一种基于可信度评估的体系架构，用于建立分布式机器人网络协同实现误传信息检测，并且通过使用 Schema.org 扩展和 NLP 技术实现语义相似性和态度检测，有效地提高了可伸缩性、领域独立性、可组合性、可解释性和透明度，同时还在 Clef'18 CheckThat! Factuality 任务上取得了新的明显的效果。
misinformationdeep learningcredibility reviewssemantic similarityfactuality task
发现论文，激发创造
  • 社交网络中检测谣言的可解释化模态框架

    本文介绍了一种基于多模态视角的自动虚假信息检测方法，提出了一种基于可解释性方法的虚假信息分类框架，从而增加决策的可解释性和完整性。

    Dec, 2022

  • DeClarE: 使用证据感知深度学习揭穿虚假新闻和假言论

    本研究提供了一种端到端模型，该模型可对文字主张进行证据感知的可信度评估，不需要任何人类干预，并通过聚合来自外部证据文章的信号，这些文章的语言以及其来源的可信度来生成用户可理解的解释，从而提高了之前工作的局限性，实验证明其有效性。

    Sep, 2018

  • 使用 LLM 预测的可信度信号和弱监督检测虚假信息

    本文研究大型语言模型（LLMs）是否可以有效激发一组 18 个可信度信号，以产生每个信号的弱标签，然后使用弱监督方法来预测内容的真实性，并演示了该方法在两个虚假信息数据集上的性能优于现有的分类器，同时分析了各个可信度信号对内容真实性预测的贡献，从而为虚假信息检测提供了新的有价值的见解。

    Sep, 2023

  • 使用证据总结解释真实性预测：一种多任务模型方法

    通过使用多任务可解释的神经模型进行自动化的事实检验，本研究讨论了社交媒体上快速传播的虚假信息，并探究了深层神经模型在预测时所关注的要素，以寻求与人类推理相媲美的推理水平。

    Feb, 2024

  • 利用外部来源实现全自动事实核查

    提出了一种使用外部来源进行全自动事实核查的通用框架，该框架利用深度神经网络和 LSTM 文本编码结合任务特定的嵌入来判断声称的真实性，并将来自 Web 的相关文本片段融合其中，考虑其来源可靠性，在两个任务和数据集上均表现不错。

    Oct, 2017

  • 通过对社交媒体预测进行分类并通过实际市场数据检查预测，对金融专家的可信度进行可解释的评估

    社交媒体中，通过自然语言处理和机器学习相结合的方式来评估金融创作者的可信度，并提供准确的市场数据验证和连续的可信度评分，同时利用社交媒体指标和相关性分析来提供决策的自然语言解释。

    Jun, 2024

  • 可解释的多模态逻辑推理误信息检测

    提出一种新颖的基于逻辑的神经模型，该模型将可解释的逻辑子句集成到目标任务的推理过程中，以检测多模态误解信息，通过在神经表示中参数化符号逻辑元素来实现学习的有效性，并引入五个元预测以使我们的框架具有多样性。

    May, 2023

  • 利用社交互动识别社交媒体上的错误信息

    在 COVID-19 疫情期间，使用多输入（MI）框架将社交媒体文本特征和网络信息特征结合起来，提高了检测不可靠信息的模型的准确性。

    Apr, 2023

  • 新闻来源可信度评估：一个 Reddit 案例研究

    社交媒体平台时代，识别在线内容的可信度对于打击错误信息至关重要。我们提出了 CREDiBERT（使用双向编码器从转换器进行可信度评估），这是一个针对 Reddit 提交的可信度评估模型，重点关注政治话语。我们采用半监督训练方法，利用 Reddit 的基于社区的结构来进行 CREDiBERT 的训练，通过将 CREDiBERT 编码的提交内容与 Siamese 神经网络结合，显著提高了提交可信度的二分类，相较于现有方法，F1 分数提高了 9%。此外，我们介绍了 Reddit 中新版本的帖子间网络，通过有效编码用户交互来提升二分类任务的 F1 分数近 8%。最后，我们使用 CREDiBERT 评估了不同主题下的子论坛对不同主题的易感性。

    Feb, 2024

  • 一个半监督框架用于虚假信息检测

    使用半监督学习框架来解决极度类别不平衡的问题，并使用实际数据扩充少数类别，该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高，尤其在相关的 Covid 数据上初步测试表明有效性。

    Apr, 2023