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
本文探讨了事实检查模型的推理方式以及声明和证据的关系,并发现在政治事实检查数据集上,仅使用证据比同时使用声明和证据的效果更好。这凸显了现有的自动虚假新闻检测方法中构成证据的重要问题。
May, 2021
利用神经网络进行虚假新闻检测,提出一种基于防御的可解释框架,在海量且多样的言论中检测虚假新闻并提供高质量的解释。
May, 2024
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
本研究提出了一个综合性基准来研究模型在复杂的现实场景中的逻辑推理能力。我们设计了细粒度的逻辑推理解释形式,并在实验中评估了当前最佳模型在这种新的解释形式上的表现,结果表明即使在巨型模型的帮助下,生成推理图仍然是一个具有挑战性的任务。
Oct, 2022
本文研究了大型语言模型时代中的假新闻检测问题,发现仅训练于人工编写文章的检测器在检测机器生成的假新闻方面表现良好,但反之不成立。此外,由于检测器对机器生成的文本存在偏见,需要在训练集中使用比测试集中较低比例的机器生成新闻。基于我们的发现,我们提供了一个实用的策略来开发健壮的假新闻检测器。
Nov, 2023
通过图论和深度学习的方法对基于图的假新闻检测进行系统的综述,将现有方法分类为知识驱动、传播驱动和异构社交环境驱动的方法,并讨论了图论假新闻检测中的挑战和未来研究方向。
Jul, 2023
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
人们现在认为社交媒体是他们唯一的信息来源,但同时社交媒体上假新闻也呈指数级增长。本文强调可解释的假新闻检测在当前技术水平上的现状,并介绍了我们正在开展的多模态可解释假新闻检测模型研究。
Jul, 2022
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