ICMLJul, 2022

数字广告多语言虚假信息检测

PDF
TL;DR通过利用多语言文本嵌入实现机器学习模型，快速检测和红旗标记潜在的使用虚假信息欺瞒公众的网站，从而保护广告提供商的声誉。
online disinformationdigital advertisingmachine learning modelmalicious contentadvertisement provider reputation
发现论文，激发创造
  • 多语言数据分类的终身学习自然语言处理方法

    本研究提出了一种基于终身学习和多语言知识转移的新型假新闻检测方法，该方法利用传统特征提取器和深度自然语言处理模型结合多层感知器分类器，可以在英语和西班牙语数据集上提高假新闻分类任务的性能。

    May, 2022

  • 大型语言模型的虚假信息能力

    利用 10 个大型语言模型研究其自动化虚假信息生成能力，发现该能力可生成具有威胁性的新闻文章并且难以被检测出。

    Nov, 2023

  • 评估基于 BERT 预训练语言模型在检测谣言方面的表现

    本研究提出了使用基于 BERT 的预训练语言模型将文本数据编码为向量，并利用神经网络模型进行分类以检测谣言，进一步比较不同语言模型的表现与可训练参数。然后在不同的短文本和长文本数据集上进行了测试，结果表明该技术的表现优于现有技术，并测试其组合数据集的表现，结果表明大数据的训练和测试对提高技术的性能具有相当大的作用。

    Mar, 2022

  • 新闻文章中的可解释宣传检测

    为了应对每天都暴露在误导性和宣传性新闻文章和媒体帖子中的在线用户，我们提出了一种检测和展示这些技术的方法，以提供可解释性。特别地，我们定义了定性描述性特征，并分析了它们检测欺骗技术的适用性，同时表明我们的可解释性特征可以与预训练语言模型轻松结合，产生最先进的结果。

    Aug, 2021

  • 多模态虚假信息检测调查

    本研究为现有多模式虚假信息检测技术提供了一份综述，重点关注了文本、图像、语音、视频、社交媒体网络结构和时间信息等多种组合形式，并探讨了未来研究的方向和挑战，同时提出需要在相同框架内考虑虚假信息的真实性和危害程度。

    Mar, 2021

  • 辨别虚假信息：在 LLMs 时代的不断挑战

    通过回答三个研究问题，本研究探讨了利用大型语言模型（LLMs）生成的谣言和虚假信息对目前存在的谣言检测技术的影响，以及通过使用 LLMs 作为强大的谣言防御手段以及针对这一威胁的新方法的可能性。

    Sep, 2023

  • 自动检测虚假新闻

    本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

    Aug, 2017

  • 高级机器学习技术用于假新闻（在线虚假言论）检测：系统性综述研究

    本研究旨在分析目前假新闻检测技术的应用现状，探讨解决方案并指出智能系统在检测错误信息源方面的应用方向，同时提出挑战和方法上的空白以激励未来研究。

    Dec, 2020

  • 利用地理定位的 Twitter 提及信息获取虚假信息洞察

    本文提出了一种基于地理空间分类和基于嵌入的语言建模组合的两阶段方法，用于分析 Twitter 上与虚假信息相关的社交媒体数据，特别是针对英语、法语和西班牙语等三种欧洲语言，通过比较分析证明了分类方法的有效性，并突出了虚假信息相关媒体的地理、时间和语言差异。

    Aug, 2021

  • 自动事实核查的主张检测：关于单语、多语和跨语言研究的调查

    自动事实核查引起了过去几十年的广泛关注， 由于在线平台上虚假信息的扩散增加。本调查主要关注多语言数据和方法，讨论现有努力检测需求核查的言论。我们提出了一项综合调查，介绍了最新的多语言言论检测研究，主要涉及可验证性，优先级和相似性三个问题因素。此外，我们详细概述了现有的多语言数据集，以及存在的挑战，并提出可能的未来发展方向。

    Jan, 2024