本文提出了一种用于早期误报检测（CANMD）的对比适应网络，它通过伪标记和标签纠正组件相结合，有效地适应了未知 COVID-19 目标领域，与现有技术相比，取得了显著的改进。

Aug, 2022

本文提出 MetaAdapt，一个基于元学习的方法，旨在解决在社交媒体等新兴领域中针对虚假信息检测的数据稀缺性问题，具有更好的领域适应性、优秀的表现和大幅减少的参数。

May, 2023

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

提出了一种基于对比学习和最大均值差异的测试时间自适应的 Contrastive Domain Adaptation with Test-Time Adaptation (ConDA-TTA) 方法，用于多模态脱离上下文新闻检测问题，实验证明该方法在 7 个领域自适应设置中的 5 个上胜过基线方法，F1 指标有 2.93% 的提升，准确性提高了 2.08%。

Jun, 2024

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

本文针对多领域假新闻检测模型的数据分布及域偏移的挑战，在一个包含 9 个不同领域的测评数据集 Weibo21 上，使用多个领域表征进行融合的领域门控模型 MDFEND，显著提高了多领域假新闻检测性能。

Jan, 2022

本研究提出了一种基于对比学习和对抗域混合的无监督域自适应框架，用于将知识从现有数据域传递到目标 COVID-19 数据域，以适应 COVID-19 误信息检测系统。实验证明，我们的方法相比最新的基线算法能够有效地适应未知的 COVID-19 目标领域并取得显著的改进。

Oct, 2022

本文提出了通过领域自适应和可解释人工智能的整合来解决广义检测和可解释性两个问题，其中领域自适应神经网络被用于多个社交媒体平台上的 COVID-19 虚假信息检测，而可解释人工智能模型则被用来解释模型输出的标签。实验结果表明，该框架在领域偏移的情况下表现良好，能够学习无域特征并可靠地提取可信信息以有效打击虚假信息。

Mar, 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

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