社交媒体中图片在分析声明中的作用
本文围绕多模态虚假新闻检测问题,提出了一种新的提取多模态线索的框架,该框架能够充分地考虑图像文本的三种关系,并在实验证明其优于现有文献的方法。
Aug, 2021
本文介绍了一个新的跨语言、跨国的深度学习模型,用于检测社交媒体平台上的虚假信息,包括图像和文本特征分析,详述了该模型使用的 MM-Claims 数据集,通过多模态模型的训练得出了一系列的结论和推荐。
May, 2022
社交媒体上的假新闻问题引起了研究者们的极大关注,随着多媒体技术的发展,其中在视觉内容的提取和分析方面,存在一定的局限性;本篇论文综合阐述了多媒体新闻检测中视觉内容的基本概念、有效的视觉特征、典型的检测方法以及挑战问题,并提出利用视觉内容检测假新闻的有效方法。
Mar, 2020
社交媒体的迅速增长导致虚假新闻泛滥,因此自动检测和验证虚假信息的研究变得尤为重要。本研究介绍了 Factify 2 任务的结果,提供了一个多模态事实验证和讽刺新闻数据集,并使用基于多模态关系将社交媒体索求与支持文件进行比较,最终得到 81.82% 的最高 F1 分数。
Jul, 2023
本研究为现有多模式虚假信息检测技术提供了一份综述,重点关注了文本、图像、语音、视频、社交媒体网络结构和时间信息等多种组合形式,并探讨了未来研究的方向和挑战,同时提出需要在相同框架内考虑虚假信息的真实性和危害程度。
Mar, 2021
本文通过系统研究最新扩散模型生成的虚假图片的真实性,分析其图像的低层特征和用作种子的文本说明的语义作用,并提供了一个新的包含约 600k 张图像的数据集 COCOFake。
Apr, 2023
本文提出了三种基于多模态 transformer 的假新闻检测模型,并通过深入分析操纵数据的方法来探索这些模型在社交媒体上实际使用情况下的性能。研究发现,这些系统在面临被操纵的数据时会出现显著性能下降。为了减少偏差并改善模型的推广能力,本文建议使用数据增强技术对社交媒体上的假新闻检测进行更有意义的实验。所提出的数据增强技术使得模型的泛化能力得到了提高,并获得了最先进的效果。
May, 2023
本研究旨在探究对抗学习在虚假信息识别中的应用。通过开发自学模型并在 COSMOS 数据集上进行全面实验,我们发现采用对抗学习能够大幅减少训练数据,同时在数据量不足时显示出优于传统分类器的非匹配图像 - 文本对检测性能提高约 10% 的稳定性和可比性。
Apr, 2023
本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架,用于在社交网络中评估信息真实性,并在两个真实数据集上进行广泛实验,结果显示 MONITOR 优于现有的机器学习基线,并且集成模型显着提高了 MONITOR 的性能。
Jan, 2023