该研究提出了一种名为 HGAT (Hierarchical Graph Attention Network) 的框架，该框架利用一种新颖的分层注意机制，在异构信息网络中进行节点表示学习，通过对新闻文章节点进行分类来检测假新闻。实验结果表明，HGAT 可以胜过基于文本和其他基于网络结构的模型，并且该框架还具有与其他节点分类相关应用程序的图形表示学习的扩展性和通用性。

Feb, 2020

提供一种可以在序列结构上进行训练的模型，通过不同层次的句间注意力和联合训练来有效捕捉主张和证据之间的关系，结果表明可以优于基于图结构的方法达到更好的验证精度和 FEVER 得分

Jun, 2021

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

本文介绍了一种名为 Dual Co-Attention Network（Dual-CAN）的方法用于检测假新闻，其考虑了新闻内容、社交媒体回复和外部知识，实验结果表明该方法比当前代表性模型在两个基准数据集上表现更好，并通过关注权重的实证分析来比较两个数据集上的模型工作。

Feb, 2023

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

本研究提出了一种基于媒体上流传的原始报道的可解释的假新闻检测方法，使用粗到细的级联证据蒸馏神经网络来选择最可解释的句子以提供 verdict，并构建了两个可公开获取的可解释假新闻数据集。实验表明，该模型显著优于现有基线模型，从不同角度提供高质量的解释。

Sep, 2022

我们使用基于深度学习的自动检测器，通过三层分层注意网络（3HAN）快速、准确地检测假新闻。通过实验证明，3HAN 具有 96.77% 的精确度，并提供可视化的热图帮助进一步手动事实检查。

Jun, 2023

该论文提出了一种名为 MetaFEND 的端到端假新闻检测框架，将元学习和神经过程方法相结合，有效处理分类信息和修剪不相关的帖子，可以在新出现的事件上快速学习并检测到假新闻。

Jun, 2021

这篇研究通过多种神经和非神经预处理以及风格转移技术，消除了假新闻检测模型中情感、情绪、词性等易受攻击的指标，从而推断出这些模型中可能隐藏着可操纵的信号，并通过情感向量模型构建进一步证明了这一假设。

Apr, 2022

本研究提出了一种利用社交媒体上的弱标注信号并采用深度神经网络在元学习框架下结合少量干净数据进行训练，以提高虚假新闻的早期检测的方法，实验结果显示该方法可以有效地超越目前的最先进的基准线模型。

Apr, 2020