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
通过模拟人的信息处理模型、引入人类知识、设计先验感知的双通道核心图网络来检测假新闻,取得了比现有方法更好的效果和可解释性。
Sep, 2021
本文针对自动事实检测的不足之处,提供了首个研究可利用可用的声明上下文生成自动化证明,并且演示了一项同时优化判断准确性预测和证明生成的多任务模型平均性能更好。
Apr, 2020
本文提出了采用反事实解释的方法,通过三步:提问,寻找矛盾,合理推理,来让读者理解为什么一个特定新闻被认定为虚假,通过在 FEVER 数据集的实验评估表明,这种方法相比于现有成果更具有帮助性。
Jun, 2022
假新闻检测和操纵推理是本论文的研究重点,提出了一种多媒体的新研究主题,通过构建一个人为中心且与事实相关的虚假新闻基准(HFFN),引入了一个名为 M-DRUM 的多模态新闻检测和推理语言模型,使用交互注意机制从多模态输入中提取细粒度融合特征进行推理,实验证明该模型在假新闻检测方面优于现有方法和先进的大规模视觉 - 语言模型。
Jul, 2024
本研究提出了一种简单而有效的方法,在利用先前已经训练好了的模型的基础上,通过使用文本摘要模型将长新闻文章缩短成一个短主张来连接事实验证和假新闻检测,并通过检测更轻松实现零研究用数据的假新闻检测。在 FakenewsNet 数据集上进行的实验结果表明,本研究提出的方法具有很好的效果。
Oct, 2020
提出了一种使用外部来源进行全自动事实核查的通用框架,该框架利用深度神经网络和 LSTM 文本编码结合任务特定的嵌入来判断声称的真实性,并将来自 Web 的相关文本片段融合其中,考虑其来源可靠性,在两个任务和数据集上均表现不错。
Oct, 2017
我们使用自然语言处理方法对 1876 条新闻数据进行预处理,通过训练模型将假新闻和真实新闻进行分类,最终通过 Naive Bayes 分类器得出 56% 的准确率和平均 32% 的 F1-macro 得分。
Sep, 2023
自动化生成证明(说明为何某主张被分类为真或假)的过程在抵制虚假信息方面起到重要作用,这篇论文针对无结构知识(如新闻文章)的摘要方法进行了实验证明,结果显示,通过基于主张信息的抽取步骤改善摘要性能可以从证明生成摘要中获益。
Aug, 2023