本文提出了一种基于统一对比转移框架的谣言检测方法，通过语言对齐和领域自适应对比学习机制，训练多尺度图卷积网络，实现在不同语言资源匮乏的情况下检测谣言，实验证明这种方法比其他方法更具优越性。

Apr, 2023

这篇论文提出了一种名为可信早期检测 (CED) 的新颖的谣言检测模型，它将所有谣言候选人的转发视为一个序列，通过寻找一个早期的时间点进行可信预测，能够显著减少预测时间跨度超过 85％并优于所有现有基线的准确性表现。

Nov, 2018

本文提出了一种基于远程学习的零样本学习框架，用于检测不同语言环境下不同领域的谣言信息，这种模型通过上下文表征、结构特征以及虚拟响应增强方法提高了对谣言信息的早期检测能力，并在三个实际数据集上得到了比现有模型更好的表现。

Dec, 2022

本文提出了一种连续的提示调整参数有效的框架，可避免对旧任务的遗忘并在任务之间实现知识转移，验证实验表明该方法在对话状态跟踪领域中具有有效性和高效性。

Mar, 2022

一个名为 TARD 的简单而高效的测试时适应化传播图框架用于谣言检测，通过建立传播图在分布偏移情况下增强模型的适应性和鲁棒性，实验证明该框架在性能上优于现有方法。

Mar, 2024

采用一种基于循环神经网络（RNN）的深度注意力模型，学习序列式文章的不同隐藏表现以识别流言，并通过软注意力机制来提纯相关文章的相关部分，实验证明其能够更快、更准确地检测和辨别流言。

Apr, 2017

提出了一种注意力机制的端到端关键查询方案，该方案使用输入为条件的权重来组装预置组件以生成输入为条件的提示，以解决在不断变化的训练数据中进行学习时出现的过度遗忘问题，并在多个基准测试中大幅提高了准确度。

Nov, 2022

通过对抗学习方法，结合交叉注意力机制和聚类方式产生伪标签，进一步优化了跨领域谣言检测模型，实现了领域间特征对齐，并提出了一种域不变表征方法，取得了业内领先的表现。

Mar, 2023

本文提出了一种基于对抗对比学习框架的谣言检测方法，该方法通过语言对齐和新的监督对比训练范式，将从充分资源的谣言数据中学到的特征适应于低资源的数据；此外，通过对抗增强机制，进一步提高低资源谣言表示的鲁棒性，实验结果表明本文提出的方法可以更好地检测出早期谣言。

Apr, 2022

通过超网络生成领域特定的提示，以解决一直持续预训练方法在新领域性能下降的问题，并促进跨领域的知识迁移。该方法在两个真实数据集上实现了 3.57% 和 3.4% 的改进，证明其有效性。

Oct, 2023