AAAIJan, 2021

使用 XLNet 模型和主题分布的假新闻检测系统: CONSTRAINT@AAAI2021 共享任务

PDF
TL;DR本文介绍了一种新颖的方法，该方法是由我们团队提出的，用于将来自 Latent Dirichlet Allocation（LDA）的主题分布与来自 XLNet 的情境表示相结合，用于 COVID19 假新闻检测的共享任务，并与基准线进行了比较，表明 XLNet + 主题分布通过获得 0.967 的 F1 分数而优于其他方法。
fake news detectionlatent dirichlet allocationxlnetcontextualized representationsshared task
发现论文，激发创造
  • Constraint 2021: COVID-19 虚假新闻检测机器学习模型共享任务

    本研究为 Constraint 2021 年 COVID-19 虚假新闻检测共享任务做出了贡献，提出了将经典机器学习算法与语言学特征相结合的方法，在数据预处理方面进行了多种尝试并得到了不错的结果。通过使用线性支持向量机算法，在测试数据上获得了 95.19% 的加权平均 F1 得分，名列排行榜第 80 位。

    Jan, 2021

  • 基于 Transformer 的自动 COVID-19 假新闻检测系统

    本文报告了一种基于 Transformer 模型（BERT、ALBERT 和 XLNET）的方法来分析 COVID-19 流行病期间社交媒体上共享信息的可靠性，以便快速检测假新闻，减少假信息的传播，该方法在 ConstraintAI 2021 共享任务 COVID19 Fake News Detection in English 中获得了 0.9855 的 f1 值，排名第 5。

    Jan, 2021

  • 利用 CT-BERT 和集成学习进行 COVID-19 虚假新闻检测在 Constraint@AAAI2021 上的 g2tmn

    本文介绍了使用基于 Transformer 的 COVID-Twitter-BERT（CT-BERT）模型集合的方法来检测英文 COVID-19 虚假新闻的结果和表现。在约 166 个团队中，该方法在第一个共享任务的测试集上取得了最高的加权 F1 得分 98.69。

    Dec, 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

  • 探索 AAAI 2021 共享任务中的文本转换器: COVID-19 英文虚假新闻检测

    本文描述了我们在 AAAI 2021 英语 COVID-19 假新闻检测共享任务中的系统，我们采用了不同的预训练语言模型，如 BERT，Roberta，Ernie 等等，包括预热，学习率调度和 K 倍交叉验证等各种训练策略，提出了一种集合方法，并在测试集上获得了 0.9859 的加权 F1 分数。我们还对未正确分类的样本进行了广泛的分析。

    Jan, 2021

  • 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

  • 利用主题和深度变分模型的可解释假新闻检测

    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

  • X-CapsNet 用于虚假新闻检测

    提出了一种基于 Capsule 神经网络（CapsNet）的新型 transformer 模型 X-CapsNet，用于自动检测和对抗假新闻，通过使用多个分类器和间接特征来解决短新闻陈述的表示问题，并在 Covid-19 和 Liar 数据集上的评估结果表明该模型在性能上优于现有基准模型。

    Jul, 2023

  • 基于 Transformer 的语言模型微调方法在 COVID-19 假新闻检测中的应用

    本文提出了一种基于变压器的语言模型微调方法，用于检测 COVID-19 假新闻，该方法通过扩展专业短语的语义，适应热身 softmax 损失以区分硬挖掘样本，并通过对抗性训练提高模型的鲁棒性，采用 RoBERTa 和领域专用模型 CT-BERT 提取预测特征，并由一个多层感知器融合细粒度和高级别的特定表示。经 COVID-19 假新闻数据集评估，实验结果在各种评估指标上都表现优越，最好的加权平均 F1 得分为 99.02％。

    Jan, 2021

  • 大型语言模型生成的文本受到假新闻检测器的偏见

    在大语言模型 (LLMs) 时代，我们发现许多现有的假新闻检测器存在显著偏见，更容易将 LLMs 生成的内容标记为假新闻，而常常误将人类撰写的假新闻分类为真实。为了解决这个问题，我们引入了一种对抗训练与 LLMs 重写的真实新闻相结合的缓解策略，从而在人类和 LLMs 生成的新闻的检测准确性方面取得了显著的改进。为了进一步推动该领域的研究，我们发布了两个全面的数据集 “GossipCop++” 和 “PolitiFact++”，将经人工验证的文章与 LLMs 生成的假新闻和真实新闻相结合。

    Sep, 2023