Feb, 2021

跨域多模态数据在假新闻检测中应用：接纳领域差异

PDF
TL;DR本研究介绍了一种新的自动检测跨领域新闻中虚假消息的技术，该技术整合了领域特定和跨领域知识，并利用一种无监督的选择性注释技术来减少标注成本，并在跨领域的新闻数据集上实现了最先进的性能。
fake newsautomated detectioncross-domain knowledgeunsupervised labellingstate-of-the-art performance
发现论文，激发创造
  • 基于多模态弱信号的无监督领域无关假新闻检测

    本研究提出了一个有效的无监督框架，用于利用社交媒体中四种信息类型的知识，从而检测 COVID-19 相关新闻中的虚假信息。该框架使用一个强大的噪声鲁棒的自监督学习技术和一种新颖的数据集构建技术来提高检测性能，并在现有的标记数据集上取得了显著改进。

    May, 2023

  • 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

  • 基于记忆引导的多视角多域假新闻检测

    本文提出了一种名为 M$^3$FEND 的框架，通过从多视角建模内容，包括语义、情感和风格等，使用领域记忆库显著改进了领域信息，适应性地聚合多个视角的判别性信息，提高了跨领域假新闻检测的成功率。

    Jun, 2022

  • 利用多域视觉信息进行虚假新闻检测

    本文提出了一种名为 Multi-domain Visual Neural Network (MVNN) 的框架，该框架将频率和像素域的视觉信息融合起来用于检测假新闻图像。在真实数据集上的实验表明，MVNN 比现有方法至少提高了 9.2% 的准确度，并可帮助提高超过 5.2% 的多模态假新闻检测性能。

    Aug, 2019

  • 自动检测虚假新闻

    本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

    Aug, 2017

  • MDFEND：多域假新闻检测

    本文针对多领域假新闻检测模型的数据分布及域偏移的挑战，在一个包含 9 个不同领域的测评数据集 Weibo21 上，使用多个领域表征进行融合的领域门控模型 MDFEND，显著提高了多领域假新闻检测性能。

    Jan, 2022

  • 情感导向的跨领域虚假新闻检测：基于对抗领域适应的方法

    本文提出一种情感导向的领域适应方法，并证明在跨领域的情况下，基于情感的模型对于不同数据集的组合具有有效性，用于错误新闻检测。

    Nov, 2022

  • 情感引导下的领域自适应假新闻检测方法：对抗学习

    本研究提出了一种情绪引导的、领域自适应的、多任务方法，用于各种数据集中的跨领域假新闻检测，证明了情感引导模型在跨领域设置中的有效性。

    Nov, 2022

  • FineFake：细粒度多领域假新闻检测的知识增强数据集

    为了理解不同领域的虚假信息，我们引入了一个新颖的多领域知识增强基准，名为 FineFake，它包含 16909 个数据样本，涵盖六个语义主题和八个平台，并提供多模态内容，潜在社会背景，半手动验证的常见知识和超越传统二进制标签的细粒度注释。基于 FineFake，我们还提出了三个具有挑战性的任务，并提出了一个知识增强的领域自适应网络，在各种情况下对 FineFake 进行了广泛的实验证明，为未来的研究提供了准确可靠的基准。整个 FineFake 项目可以在 https://github.com/Accuser907/FineFake 上作为开源资源进行访问。

    Mar, 2024

  • 通过多模态特征对鲁棒领域虚假信息检测

    社交媒体误导信息对个人和社会有害，并且多模态内容（即文本和图像）使其更具 “可信度”，高于仅有文本的新闻报道。我们提出一种新颖的鲁棒领域与多模态方法（RDCM），用于多模态误导信息的检测，通过领域内对齐模块降低领域漂移，并通过跨模态对齐模块弥合两种模态之间的语义差距。在两个公开的多模态误导信息检测数据集（Pheme 和 Twitter 数据集）上的评估结果证明了该模型的优越性。

    Nov, 2023