Jun, 2022

BaIT: 信息可信度的衡量尺

PDF
TL;DR该研究提出了一种新的方法来处理假新闻分类任务，采用与自然语言处理相关的预训练编码器模型及两种神经网络，探讨数据增强的方法以解决数据集中类别数量不平衡的问题，并提出了一种新型的句子否定算法来产生代表少数类的样本，通过实验在保持总体表现不变的情况下，显著提高了在假新闻分类任务中重要但数量不足的少数类上的准确性。
fake news classificationpre-trained encoder modelsneural network architecturesdata augmentationclass imbalance
发现论文，激发创造
  • 伪新闻检测模型的对抗性基准测试

    本文提出了一个对抗性基准测试，旨在测试虚假新闻检测器推理现实世界事实的能力，使用 BERT 分类器 fine-tuned 在 LIAR arXiv:arch-ive/1705648 和 Kaggle Fake-News 数据集上，结果显示这两种模型在处理组合语义、词汇关系和修饰符等方面的意思变化上存在失败的情况。这表明虚假新闻检测器需要与其他事实检查方法一起使用。

    Jan, 2022

  • 自然语言推断下的虚假新闻检测

    该报告描述了智能知识管理实验室参加 WSDM 2019 虚假新闻分类挑战的情况。我们使用自然语言推理（NLI）来处理任务，使用最强的 NLI 模型以及 BERT 进行单独训练。我们将这些结果集合起来，分两个阶段对带有嘈杂标签的结果重新训练。我们分析了训练和测试集中的传递性关系，并确定了一组可靠分类的测试用例。其余的测试用例则由我们的集合分类。我们的参赛作品在比赛中取得了 88.063％的测试准确率，获得了第三名。

    Jul, 2019

  • 针对虚假新闻挑战赛立场检测任务的回顾性分析

    本研究深入分析了 2017 年虚假新闻挑战的实验设置，提出了适用于少数类别的新的评估度量标准，并提出了一个表现与最佳系统相当的新型特征丰富的堆叠 LSTM 模型，同时对其在领域内和领域间的推广效果进行了定量和定性的研究。

    Jun, 2018

  • 从 Transformer 到 Fake News Challenge 立场检测的迁移学习 (FNC-1) 任务

    本研究利用 Transformer 架構的 BERT、XLNet 和 RoBERTa 進行 Fake News Challenge 中的立場檢測，將 BERT 句子嵌入應用到模型中，取得了最佳表現和狀態下的成果。

    Oct, 2019

  • 在检查虚假新闻的背景下，结合相似度特征和深度表示学习进行立场检测

    本研究利用深度神经网络结合字符串相似度特征，对假新闻检测问题进行了研究，主要包括利用各类神经网络对新闻标题及新闻文章进行编码表示、相似性比较，并探索利用预训练等额外信息的效果，结果表明，在假新闻检测上，该模型略优于之前的最优模型。

    Nov, 2018

  • 卷积神经网络和深度神经网络的组合在假新闻检测中的应用

    本文介绍了 Fake News Challenge stage #1 (FNC-1) 数据集并概述了使用该数据集构建伪新闻检测系统的竞争尝试。通过使用不同的自然语言处理技术处理标题和正文文本，提取特征并使用软余弦相似性方法计算相似度。该系统使用深度学习方法进行分类，除了 “disagree” 类别外，其余类别均达到高准确性，最终分类准确率达到 84.6％，在该数据集上排名第二。

    Oct, 2022

  • 使用预训练的神经转换器进行新闻偏见检测的实验

    比较几种大型的预训练语言模型在句级新闻偏见检测和子类型分类任务上的性能，并提供了定量和定性结果。

    Jun, 2024

  • 句子交互是否重要？利用句子级别表示进行虚假新闻分类

    借助图神经网络模型，开发了一种可以自动检测假新闻的方法，在对长篇新闻文章进行分类时无需进行特征工程，与目前已有的强基线神经网络相比，该方法在精细分类上取得了最新的最高准确率，并且在域外情况下也具有很好的泛化能力。

    Oct, 2019

  • 基于 BiLSTM 的结构化故事分类器的鲁棒性测试

    本文研究了机器学习技术在检测假新闻上的运用，并着重探讨了噪声对其性能的影响，文章采用 BiLSTM 为基础的结构模型方法，对 Karimi 和 Tang 的 Hierarchical Discourse-level Structure for Fake News Detection 进行了研究。

    Jan, 2022

  • 简单基线算法在误信息检测中的出色表现

    本研究通过对一系列现代基于转换器的语言模型进行基础调整的表现研究，展示了它们具有竞争力并可以显著超越最新提出的先进方法以及一个简单的工具来检测在未来数据集中需要解决的问题，如潜在数据泄漏和混淆变量。

    Apr, 2021