Feb, 2022

利用标签精炼从社交媒体话语中构建大规模的虚假信息标记数据集

PDF
TL;DR本研究提出一种基于新闻来源可信度标签的弱监督学习方法，通过自监督或重新标注等方式纠正可能存在的标签不准确性，构建大规模、多样化的新领域虚假信息数据集。同时，本文应用提出的方法提供了一个 COVID-19 疫苗虚假信息数据集。
发现论文，激发创造
  • 一个半监督框架用于虚假信息检测

    使用半监督学习框架来解决极度类别不平衡的问题，并使用实际数据扩充少数类别，该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高，尤其在相关的 Covid 数据上初步测试表明有效性。

    Apr, 2023

  • 利用社交互动识别社交媒体上的错误信息

    在 COVID-19 疫情期间，使用多输入（MI）框架将社交媒体文本特征和网络信息特征结合起来，提高了检测不可靠信息的模型的准确性。

    Apr, 2023

  • 大型语言模型能否检测科学新闻报道中的错误信息？

    使用大型语言模型检测科学报道中的虚假信息，针对缺乏明确标签的情况，提出了多种基于大型语言模型的基准架构和提示方法，包括零样本、少样本和连贯思维提示等。

    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

  • 利用薄弱的社交监督检测假新闻

    本文探讨如何利用社交媒体生成弱社交监督来缓解标签数据的匮乏问题，并以社交媒体上的假新闻检测为例，展示了弱社交监督在面对标记数据问题时的有效性，为其他新兴任务学习提供了新思路。

    Oct, 2019

  • 错误信息的困惑度高

    本文提出了一种基于信息困惑度的非监督式方法来辟谣虚假言论，该方法主要通过从科学和新闻来源中提取可靠证据，然后利用信息困惑度评估言论的正确性，在 COVID-19 相关测试集上进行实证验证，表现优于现有系统。

    Jun, 2020

  • 通过上下文化的社交智慧弱监督检测误导性句子解构假新闻

    在假新闻辟谣领域，我们研究了一项新的任务，即检测句子级的错误信息。我们提出了一种名为弱监督检测误导性句子（WSDMS）的模型，该模型只需要基于包的标签进行训练，但能够推断出句子级的错误信息和文章级的真实性，并辅以与新闻句子有关的社交媒体对话进行上下文化处理。我们在三个真实世界的基准测试中评估了 WSDMS，并证明其在句子和文章级别的假新闻辟谣方面优于现有的最先进基线模型。

    Oct, 2023

  • 揭示和提升数据可信度：用于训练无害语言模型的数据集研究

    本研究专注于评估数据集的可信度，鉴定标签错误，并评估噪声标签对语言数据的影响，特别关注不安全评论和对话分类，通过直接修复标签错误来显著提高数据的可信度和下游学习性能，说明清理现有的真实世界数据集的重要性。

    Nov, 2023

  • 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

  • 以敌对的令牌对抗，生成一个虚假信息检测数据集

    通过使用大型语言模型（LLMs）生成语言的最新成果，本文提出了一种创建辨别虚假信息的银标准真实数据集的方法，通过在受信任的新闻文章上构建 LLMs 的提示，自动生成该文章的摘要版本，并针对性地生成具体类型的事实错误，如错误数量、错误归属等，以研究此数据集的实用性，并进行了一系列的实验，训练了一系列用于辨别虚假信息的监督模型。

    Jan, 2024