SIGIRApr, 2022

一种基于弱监督传播模型的谣言验证和立场检测方法，利用多实例学习实现

PDF
TL;DR通过多示例学习方案，我们提出了基于树结构的弱监督框架来联合分类谣言和立场，这里只需要关于真实性的包级标签。最后，我们提出了分层注意力机制来聚合二进制预测，通过在三个 Twitter 数据集上进行广泛的实验，证明了我们的模型在与现有方法相比的认领级别的谣言检测和帖子级别的立场分类方面具有良好的性能。
rumorsmicroblogsmilrumor detectionstance detection
发现论文，激发创造
  • 使用 Fine-Tune Longformer 联合预测谣言态度和真实性

    本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

    Jul, 2020

  • 建模会话结构和时间动态以共同预测谣言立场和真实性

    本文提出了一种基于图卷积神经网络的层级多任务学习框架，用于同时预测 Twitter 上谣言立场和可信度，底部组件使用结构属性建模来分类谣言推文的立场，而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明，我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。

    Sep, 2019

  • 通过关注用户交互进行微博可解释的谣言检测

    本文提出了一种基于注意力机制和变压器网络的带长程交互的新模型（PLAN）来检测谣言，该模型在两个谣言检测数据集上的表现优于现有最先进的模型，并且允许我们在标记级别和文章级别解释谣言检测预测。

    Jan, 2020

  • 基于传播结构的统一对比迁移框架用于增强低资源谣言检测

    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

  • 大型语言模型能否在社交媒体上检测谣言？

    利用大型语言模型（LLMs）进行社交媒体谣言检测的研究，提出了一种 LLM - 驱动的谣言检测方法（LeRuD），通过设计提示教给 LLMs 在新闻和评论中进行推理，并将整个传播信息分割为传播链以减轻 LLMs 的负担，通过在 Twitter 和微博数据集上的实验，LeRuD 在谣言检测方面表现出色，超过了几种最先进的模型，并且通过应用 LLMs，LeRuD 无需训练数据，在少量或零样本情景中显示出更有前景的谣言检测能力。

    Feb, 2024

  • 衡量有所侧重：谣言立场分类的案例

    本文主要探讨了针对不平衡数据的谣言立场分类任务评估指标的问题，并提出了新的评估指标，更能准确地反映对信息的支持和否定两种最具信息量的少数派类别。

    Oct, 2020

  • 一种新颖的图神经网络方法用于谣言检测

    在社交媒体上，广泛传播的谣言对人们的日常生活产生了负面影响，导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型，通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明，该模型在已有的谣言检测模型方面表现优秀，并且对抗性攻击更具鲁棒性。

    Mar, 2024

  • 基于极大语言模型的谣言评估

    利用会话式引导工程的大型语言模型来对抗数字虚假信息，通过扩展 RumourEval 任务的研究努力，从事推特数据集的真实性预测和立场分类，以 AI 社会公益为主要目标。

    Apr, 2024

  • 基于传播结构的零样本谣言检测：通过提示学习

    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

  • 基于多模态融合框架和集成学习的谣言分类

    本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架，用于在社交网络中评估信息真实性，并在两个真实数据集上进行广泛实验，结果显示 MONITOR 优于现有的机器学习基线，并且集成模型显着提高了 MONITOR 的性能。

    Jan, 2023