Jul, 2022

应用 BERT 进行假新闻检测的更佳分类预测推理

PDF
TL;DR本研究在真实与假新闻数据集上，从可视和分析角度分析了表示空间的质量。提出了 Class Activation Mapping 的修改方案，为每个单词标记提供一个 CAM 得分，以便于预测。最终表明，加上可学习的线性层的 naive BERT 模型足以实现强大的性能，同时兼容 CAM。
fake news detectionclassification modelsself-supervised learningquality of representation spaceclass activation mapping
发现论文，激发创造
  • 使用监督机器学习和 BERT 模型进行在线虚假评论检测

    本研究提出使用 BERT 模型从文本（即评论）中提取词嵌入来改进现有的虚假评论分类或检测方法，结果表明 SVM 分类器在准确度和 F1 得分方面优于其他分类器，并且比之前的研究中使用的分类器高出 7.6％。

    Jan, 2023

  • 基于张量嵌入的半监督内容谣言检测

    该研究针对含有大量内容的新闻文章，提出了一种基于内容检测伪新闻的方法，使用多维张量分解得到每篇文章的嵌入特征，并通过在文章之间创建图来传播有限标签，实验结果表明该方法能够使用更少的标签实现更好的检测精度。

    Apr, 2018

  • 基于 Transformer 模型（BERT，ALBERT 和 RoBERTa）在假新闻检测中的性能分析

    该研究探索了 transformer 模型，发现 ALBERT 在检测印尼语假新闻方面表现最佳

    Aug, 2023

  • 嵌入式探测！使用文档嵌入式检测假新闻

    本文提出了一种使用文档嵌入的新方法，建立多个模型，将新闻文章准确地标记为可靠或虚假，评估了这些模型并证明了文档编码是获得高准确性的最重要因素

    Apr, 2023

  • 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

  • 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

  • 探索 BERT Token 表达在句子探测结果中的作用

    本文从 BERT 的表示空间出发，通过一系列探针任务和属性方法探究模型的语言学知识表达方式，发现 BERT 倾向于对语法和语义异常进行编码，并能够明显地区分语法数和时态子空间。

    Apr, 2021

  • 使用并行 BERT 深度神经网络检测虚假新闻

    介绍了一种使用两个并行 BERT 网络来对全文新闻文章进行真实性检测的新方法 MWPBert，通过 MaxWorth 算法选择更有价值的新闻文本部分，最终将两个 BERT 网络的输出编码为一个输出网络，实验结果表明该模型在准确性和其他性能指标方面优于以前的模型。

    Apr, 2022

  • 利用主题和深度变分模型的可解释假新闻检测

    本研究开发了一个深度概率模型，该模型使用一个变分自动编码器和双向 LSTM 网络的密集文本表示与从贝叶斯混合模型中推断出的语义主题相关特征，旨在使用可解释的特征和方法检测真假新闻，实验证明该方法实现了与现有方法可比较的性能。

    Sep, 2022

  • 使用 Transformer 进行可解释的口语欺骗检测

    本文提出并评估了六种深度学习模型，包括 BERT（和 RoBERTa），MultiHead Attention，co-attentions 和 transformers，结果表明我们的基于 transformer 的模型可以提高自动化的欺骗检测性能（+2.11％的准确率），并显示与真实和欺骗陈述中 LIWC 特征使用相关的显着差异。

    Oct, 2022