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

提出了一种针对特定领域的虚假新闻检测方法 DITFEND，该方法采用了领域和实例级别的转移学习框架，同时转移领域级别知识和实例级别知识以提高特定目标领域的性能。实验结果表明，DITFEND 比基本模型在真实场景中具有更好的性能提升效果。

Sep, 2022

该论文探讨了社交媒体中假新闻传播的挑战，并引入基于增强学习的模型（REAL-FND），将用户评论和用户 - 新闻交互等辅助信息结合起来，利用跨领域以及领域内的知识，特别是在目标领域的数据有限的情况下，有效地检测假新闻。

Feb, 2022

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

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

我们构建了中国首个多源虚假新闻检测基准数据集 MCFEND，该数据集由来自多种社交平台、消息应用和传统在线新闻机构的新闻组成，并且这些新闻已经经过了全球 14 个权威事实核查机构的事实核查。我们对现有的多种中国虚假新闻检测方法在我们提出的数据集上进行了全面的跨源、多源和未知来源方式的评估，旨在推进中国虚假新闻检测方法在现实场景中的应用。

Mar, 2024

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

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

本研究提出一种名为 MiDAS 的多领域自适应方法，该方法结合多个预先训练和微调模型，并使用局部 Lipschitz 光滑性来评估每个模型对新数据的相关性以检测假新闻。MiDAS 在针对 9 个取自不同领域和模态的假新闻数据集的泛化方面取得了新的多领域适应性表现。

May, 2022

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