EMNLPOct, 2020

使用文本事实结构进行神经网络深度伪造检测

PDF
TL;DR通过基于图的模型，利用文本实体图对文档的事实结构进行表示，进而使用图神经网络学习句子表示并将其组合成文档表示，以便识别机器生成文本和人工撰写文本之间的差异。实验结果表明，该方法显著提高了基于 RoBERTa 构建的强基线模型的性能，并可以在文本事实结构上区分机器生成文本和人工撰写文本。
发现论文，激发创造
  • 利用事实知识自动检测实体篡改文本

    该研究提出了一种基于神经网络的检测器，利用图卷积神经网络和新闻文章中的文本信息来探究文章提到的事实，以区分人工编写的新闻文章和通过对实体进行事实不正确的替换而生成的文章。研究者使用了多种策略生成新实体替换，包括使用 GPT-2 生成。该模型在所有设置中的准确性均达到或超过了最先进的检测器。

    Mar, 2022

  • 深度假文本检测：限制和机遇

    本文通过收集 Transformer-based 工具生成的 deepfake 文本从而评估现有方法在野外环境中实际应用的能力，并通过对抗攻击研究对现有防御措施的稳健性。研究发现，将文本内容中的语义信息引入是提高 deepfake 文本检测方案鲁棒性和泛化性能的有效途径。

    Oct, 2022

  • 野外深度伪造文本检测

    通过搜集人类写作和不同大型语言模型生成的假文本构建一组真实场景测验集，实验结果显示在这种情况下深伪文本检测面临着严峻挑战，尤其是面对各种领域的无来源文本时。

    May, 2023

  • 深度伪造检测中的常识推理

    利用人们的常识推理对深度学习伪造进行检测，并通过 DD-VQA 任务扩展，以建模解释图像真伪的原因，提供了一个包含回答和解释的新数据集，并提出了一种基于视觉和语言的 Transformer 框架，用于解释性和跨模态的应用于深度伪造检测领域。

    Jan, 2024

  • 深度伪造推文自动检测

    本研究利用先进的自然语言处理技术来区分真实和人工智能生成的文本，以解决检测 DeepFake 推文的挑战。通过使用 TweepFake 数据集来训练和评估不同的机器学习模型，旨在识别有效的策略，从而提高数字通信的完整性，通过开发可靠的方法来检测人工智能生成的虚假信息，本研究对于构建一个更可信赖的在线信息环境做出了贡献。

    Jun, 2024

  • 利用图变换网络对复杂文档布局中的文本语义进行建模

    本文提出了一种基于图形表示的模型，并演示了我们不仅可以跨文档检索语义相似的信息，而且我们生成的嵌入空间也捕获了有用的语义信息，类似于仅适用于文本序列的语言模型。

    Feb, 2022

  • 学习结构化文本表示

    本文提出一种可以在没有语篇分析器或额外注释的情况下，从数据中学习具有结构感知能力的文档表示的模型，该模型通过将可微分非项目句法分析算法嵌入神经模型，使用注意机制来结合结构偏置，从而产生具有解释性和意义的中间结构，并在不同任务和数据集上实验验证表明，该模型在文档建模任务中取得了最先进的结果。

    May, 2017

  • 增强文本表示法的多 EDU 结构感知检测假新闻

    本文介绍了一种基于 Elementary Discourse Unit 的多层次感知模型 (EDU4FD) 来改善文本表示，其中包括序列和图形的 EDU 表示。 这两种 EDU 表示被结合为增强的文本表示，以识别并有效感知假新闻。 通过实验表明，使用该模型可优于现有基于文本的方法。

    May, 2022

  • 基于图神经网络的社交背景建模用于假新闻检测

    研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用，并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分，表现优于基线模型。

    Jul, 2022

  • 基于图神经网络的证据感知假新闻检测

    本研究提出了一种基于证据的假新闻自动检测框架 GET，该框架采用图形结构学习方法将索证和索证的长距离语义依赖关系整合起来，从而有效避免了序列模型在验证新闻真实性方面存在的缺陷。作为一项重要的技术创新，GET 的有效性已经得到了充分验证。

    Jan, 2022