Jun, 2022

标签噪声抵抗的均值教学方法用于弱监督假新闻检测

PDF
TL;DR本文提出了一种新的标签噪声鲁棒的平均教学方法（LNMT），用于弱监督下的假新闻检测，其依据语义相关性和情感关联为未标记样本自动分配初始弱标签。同时，利用标签可靠性估计方法建立平均师框架以抑制噪声。实验表明，LNMT 具有更好的性能。
fake newsweakly supervised learninglabel noisesemantic correlationmean teacher framework
发现论文，激发创造
  • BadLabel: 评估和增强标签噪音学习的强健视角

    本文介绍了一种新型标签噪声类型，称为 BadLabel，旨在增强现有 LNL 算法的鲁棒性，并提出了一种基于对抗性的鲁棒 LNL 方法来解决 BadLabel 的问题，实验证明该方法能有效地提高模型的泛化性能。

    May, 2023

  • 通过强化学习进行假新闻检测的弱监督方法

    本研究提出了一种基于弱监督的虚假新闻检测框架 WeFEND，该框架利用用户举报作为弱监督来扩大数据集规模。我们采用增强学习方法，从弱标注数据中选择高质量样本来提高检测器的精度。实验结果表明，与现有技术相比，WeFEND 模型在微信公众号新闻数据集上实现了最优性能的虚假新闻检测。

    Dec, 2019

  • 标签噪声下的鲁棒长尾学习

    研究了在长尾标签分布下标签噪声问题，提出了一种新的原型噪声检测方法及一个鲁棒的框架，该框架通过软伪标签技术和半监督学习算法进一步提高了泛化性能，并且在基准和真实数据集上表现优于现有基线模型，尤其是比 DivideMix 模型测试精度高出 3％。

    Aug, 2021

  • 利用多源弱社交监督进行假新闻的早期检测

    本研究提出了一种利用社交媒体上的弱标注信号并采用深度神经网络在元学习框架下结合少量干净数据进行训练，以提高虚假新闻的早期检测的方法，实验结果显示该方法可以有效地超越目前的最先进的基准线模型。

    Apr, 2020

  • 弱监督下元自我完善的鲁棒性学习

    该研究论文提出了 Meta Self-Refinement (MSR) 框架，用于有效地应对来自弱监督源的噪声标签，从而训练出噪声鲁棒性较强的深度神经网络模型。在八个自然语言处理基准测试中广泛实验，证明 MSR 在所有设置下都能够抵抗噪声，并且在准确率和 F1 分数上优于现有技术最多 11.4% 和 9.26%。

    May, 2022

  • 利用薄弱的社交监督检测假新闻

    本文探讨如何利用社交媒体生成弱社交监督来缓解标签数据的匮乏问题，并以社交媒体上的假新闻检测为例，展示了弱社交监督在面对标记数据问题时的有效性，为其他新兴任务学习提供了新思路。

    Oct, 2019

  • 基于多模态弱信号的无监督领域无关假新闻检测

    本研究提出了一个有效的无监督框架，用于利用社交媒体中四种信息类型的知识，从而检测 COVID-19 相关新闻中的虚假信息。该框架使用一个强大的噪声鲁棒的自监督学习技术和一种新颖的数据集构建技术来提高检测性能，并在现有的标记数据集上取得了显著改进。

    May, 2023

  • 利用特征嵌入实现对带有噪声标签的坚韧学习

    本文提出了一种基于特征嵌入的深度学习带标签噪声的方法（LEND），该方法能利用嵌入特征的内在韧性来有效减少误标签，采用深度学习进行训练并获得鲁棒性分类器。

    Jun, 2022

  • NoisywikiHow：自然语言处理中用于真实世界噪声标签学习的基准

    本研究构建了最大的 NLP 基准 NoisywikiHow，用于学习真实世界中存在噪声标签的情况。该基准数据集通过模拟人类误差构建多个标签噪声来源，并提供多种噪声水平，以支持对含噪数据进行控制实验，并为对学习噪声标签方法（LNL）进行全面系统地评估提供了可能。

    May, 2023

  • 带有嘈杂标签的细粒度分类

    本研究旨在寻找一种有效的解决方法，以应对在细粒度数据集上进行嘈杂标签学习 (LNL-FG) 的挑战，为此，研究人员提出了一种称为随机容限监督对比学习 (SNSCL) 的新框架，旨在通过促进可辨别表达形式来解决标签噪音问题。该方法综合了加权机制与避免插入噪声标签的动量联想队列，以及一种从生成的分布中对特征嵌入进行采样的高效随机模块。大量实验表明了 SNSCL 的有效性。

    Mar, 2023