COLINGSep, 2022

通过领域和实例级别的迁移改善 Influential Domain 的假新闻检测

PDF
TL;DR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。
fake news detectionspecific domainstransfer learningdomain-level knowledgeinstance-level knowledge
发现论文，激发创造
  • MDFEND：多域假新闻检测

    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

  • 基于记忆引导的多视角多域假新闻检测

    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

  • 跨域多模态数据在假新闻检测中应用：接纳领域差异

    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

  • MiDAS: 多维度整合领域自适应监督的假新闻检测

    本研究提出一种名为 MiDAS 的多领域自适应方法，该方法结合多个预先训练和微调模型，并使用局部 Lipschitz 光滑性来评估每个模型对新数据的相关性以检测假新闻。MiDAS 在针对 9 个取自不同领域和模态的假新闻数据集的泛化方面取得了新的多领域适应性表现。

    May, 2022

  • 基于强化学习的领域自适应假新闻检测

    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

  • 自动检测虚假新闻的深度学习方法

    提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

    May, 2020

  • FineFake：细粒度多领域假新闻检测的知识增强数据集

    为了理解不同领域的虚假信息，我们引入了一个新颖的多领域知识增强基准，名为 FineFake，它包含 16909 个数据样本，涵盖六个语义主题和八个平台，并提供多模态内容，潜在社会背景，半手动验证的常见知识和超越传统二进制标签的细粒度注释。基于 FineFake，我们还提出了三个具有挑战性的任务，并提出了一个知识增强的领域自适应网络，在各种情况下对 FineFake 进行了广泛的实验证明，为未来的研究提供了准确可靠的基准。整个 FineFake 项目可以在 https://github.com/Accuser907/FineFake 上作为开源资源进行访问。

    Mar, 2024

  • 利用特征增强和软域迁移进行欺诈检测

    利用神经网络模型的中间层表示，我们提出了一种特征增强方法，用于不同信息领域之间的欺骗检测，其中 Tweets 对于虚假新闻和网络钓鱼邮件检测最有帮助，而新闻对于推特谣言检测最有帮助，我们的分析为领域知识转移提供了有用的见解，可以帮助构建比现有文献更强大的欺骗检测系统。

    May, 2023

  • 多领域假新闻检测的双教师去偏执蒸馏框架

    提出了一种基于 Dual-Teacher De-biasing Distillation 框架的多领域假新闻检测方法，通过知识蒸馏方法构建了一个不带偏见的教师和一个具有领域知识的干净教师来指导学生模型，以减少领域偏见问题并保持性能，实验证明该方法在偏见度量上明显优于现有基准方法，并保证了具有竞争性的性能。

    Dec, 2023

  • DFIL：利用领域不变伪造线索进行 Deepfake 增量学习

    通过增量学习和领域不变表示，以及基于多角度知识蒸馏方法的特征级和标签级正则化，我们的研究提出了一种新型增强型 deepfake 检测模型，通过选择中心和困难样本来更新回放集，并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。

    Sep, 2023