近年来，文件处理蓬勃发展并带来了众多好处。然而，被报告的伪造文件图像案例显著增加。特别是深度神经网络（DNN）在生成任务方面的最新进展可能加剧文件伪造的威胁。我们验证了传统的针对使用普遍的复制 - 移动方法创建的伪造文件图像的方法对 DNN 方法创建的伪造文件图像不适用。为了解决这个问题，我们构建了一个名为 FD-VIED 的文件伪造图像的训练数据集，通过模拟可能的攻击，如文本添加、删除和替换，使用最新的 DNN 方法。此外，我们通过自监督学习的方式引入了一种有效的预训练方法，包括自然图像和文档图像。在我们的实验证明，我们的方法提高了检测性能。

Nov, 2023

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

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

我们提出了一种新颖的多跳语法感知假新闻检测（MSynFD）方法，该方法利用互补的语法信息来处理假新闻中的微妙转折。通过引入语法依赖图和设计多跳子图聚合机制来捕捉多跳语法，扩展了词感知的效果，从而实现有效的噪声过滤和相邻关系增强。随后，设计了一个顺序相对位置感知的 Transformer 来捕捉顺序信息，并结合一个精心设计的关键词去偏模块来减少先验偏差。在两个公共基准数据集上的大量实验结果验证了我们提出的 MSynFD 方法的有效性和卓越性能，超过了最先进的检测模型。

Feb, 2024

提出了一个以理论驱动的模型，探索了假新闻在不同层次（词汇、句法、语义和话语）上的表现，并在监督式机器学习框架下进行了检测。在真实世界的两个数据集上的实验证明，该方法可以优于现有技术，并在内容信息有限的情况下实现假新闻的早期检测。

Apr, 2019

通过引入细粒度提示和粗细联合训练框架，提出了一种名为视觉语言人脸伪造检测（VLFFD）的新范式，以解决针对深度伪造的检测模型缺乏语义信息和解释性的问题，并在多个具有挑战性的基准测试中证明了该方法对现有的检测模型有所改进。

Jul, 2023

本研究对比了多种检测虚假和欺骗性在线评论的技术，应用了多种有效的机器学习方法，提出了一种通过微调最先进的上下文嵌入进行检测的方法，结果表明上下文嵌入在虚假评论检测方面具有潜力，并为未来的研究打下了基础。

Oct, 2020

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。

Sep, 2022

研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用，并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分，表现优于基线模型。

Jul, 2022

本文探讨了现有的假新闻检测方法存在的问题，并提出加入事实核查与语言分析相结合的方法，以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。

Jan, 2019