KDDJun, 2021

元神经过程网络多模态应急假新闻检测

PDF
TL;DR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。
fake news detectiondeep learningemergent eventsmeta-learningneural process methods
发现论文，激发创造
  • 走向未来：社交媒体上的未知事件适应性假新闻检测

    社交媒体上的虚假新闻检测方法缺乏鲁棒性且无法推广到未知事件，为解决这一问题，该研究提出了一种面向未来事件的虚假新闻检测框架，通过自适应增强策略和图对比学习训练目标预测器，同时独立训练事件预测器并通过减去事件预测器的输出从而缓解事件偏见，实验证明了该方法在真实社交媒体环境下相对于现有的先进方法的有效性。

    Feb, 2024

  • 利用多源弱社交监督进行假新闻的早期检测

    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

  • SEMI-FND: 基于堆叠集成的多模态推理，用于更快的假新闻检测

    本论文探讨了一种基于多模态堆叠集成方法 (SEMIFND) 的假新闻检测方法，通过分析图像模态确定 NasNet Mobile 模型在该任务中的适用性，使用 BERT 和 ELECTRA 的集成方法对文本进行分析，并在 Twitter 和 Weibo 两个数据集上实现了 85.80% 和 86.83% 的准确率，其参数数量比类似的方法减少了至少 20%。

    May, 2022

  • 基于多粒度信息融合的社交媒体多模态假新闻检测

    文章介绍了一种用于检测假新闻的多粒度多模态融合网络模型，并将模型性能与现有方法进行了比较。

    Apr, 2023

  • 通过强化学习进行假新闻检测的弱监督方法

    本研究提出了一种基于弱监督的虚假新闻检测框架 WeFEND，该框架利用用户举报作为弱监督来扩大数据集规模。我们采用增强学习方法，从弱标注数据中选择高质量样本来提高检测器的精度。实验结果表明，与现有技术相比，WeFEND 模型在微信公众号新闻数据集上实现了最优性能的虚假新闻检测。

    Dec, 2019

  • 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

  • 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

  • 利用实体增强框架融合多模态线索提高假新闻检测

    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

  • 跨域多模态数据在假新闻检测中应用：接纳领域差异

    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。

    Feb, 2021