Apr, 2022

通过对抗对比学习在资源受限领域中检测微博帖子中的谣言

PDF
TL;DR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。
rumor detectionlow-resource datasetslanguage alignmentadversarial contrastive learningearly-stage detection
发现论文，激发创造
  • 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

  • 无监督域间谣言检测中的对抗学习与交叉注意力

    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

  • 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

  • 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

  • 零样本跨语言迁移学习实现谣言检测

    本研究提出了一种零样本跨语言迁移学习框架，利用预训练的多语言语言模型和自我训练循环来逐步引导目标语言中 ' 银标签 ' 的创建，从而将已训练好的谣言检测模型从源语言适应到另一种目标语言。在英语和汉语谣言数据集上进行评估，证明了该模型在源语言和目标语言的谣言检测方面均明显优于竞争基准。

    Sep, 2021

  • 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

  • 探究基于静态数据集训练的计算机谣言检测模型的局限性

    该论文通过对内容和上下文基于模型在检测新的未知谣言方面的性能差距的深入评估，发现基于上下文的模型过于依赖来自谣言源帖的信息，忽视了上下文信息的重要作用。基于实验结果，该论文还提出了关于如何在训练谣言检测方法时最小化静态数据集中时间概念漂移影响的实用建议。

    Sep, 2023

  • 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

  • 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

  • 一种基于情感感知的多任务迁移学习方法，用于虚假新闻和谣言检测

    本文提出了一种基于情感分类的多任务框架，利用迁移学习技术标记四个假新闻检测和谣言检测数据集，并证明了情感与假新闻和谣言检测的合法性的相关性，进而提供了一种改进的特征提取方法。实验结果证明，该多任务模型在准确性、精确度、召回率和 F1 分数方面一致优于单任务方法，无论是在同领域还是异领域的数据集中。

    Nov, 2022