利用三元组间隔目标进行多模式意识形态预测与分析的后置融合
本文提出了一种基于关注机制的多角度模型，利用文本、标题、内容以及链接结构等多种视角识别新闻文章所展现出的政治意识形态，实验证明该模型在自然语言处理的表示学习和网络科学中的进展方面，比现有的基线模型在 F1 得分上提高了 10 个百分点。
Sep, 2018
本文探讨新闻文章中的政治意识形态或偏见的预测任务，提出了一个具有挑战性的实验设置并收集了大量的数据集，在建模方面使用了敌对媒体适应和三元组损失等策略，并在文章级别上加入了源背景信息，实验结果表明这种方法在这种具有挑战性的情况下比使用先进的预先训练转换器有相当大的改进。
Oct, 2020
本文介绍了使用基于意识形态的预训练目标的预训练语言模型进行意识形态预测的新方法，并介绍了一个大规模数据集 POLITICS，该数据集包含超过 3.6M 篇政治新闻文章，并展示该模型在意识形态预测和立场检测任务上的性能优越性。
May, 2022
通过对推文中的立场预测的图像的必要性进行了评估，并使用了现有的大型语言模型进行了对比，研究表明，精调的基于文本的语言模型的集合优于多模态模型和使用最新的大型语言模型进行的基于文本的少量训练数据的预测。此外，多模态模型在将图像内容摘要为自然语言时表现更好，使用上下文示例可以改善大规模语言模型的少量训练数据的性能。
Oct, 2023
本研究提出了一种多任务序数回归框架，其中包含了几个辅助任务，旨在联合模拟新闻媒体的可信度和政治意识形态。研究结果表明，相对于针对单个问题进行建模的模型，联合模型可以获得更好的性能提升。
Apr, 2019
提高社交媒体内容的自动审查效率，本文探讨了不同的模型并比较其在内容分类上的效果，结果表明，早期融合模型中 CLIP 表现最佳，其 AUROC 值为 70.06。
May, 2023
该研究提出了一种交互式多模态融合技术，可在保留各自模态特征的同时，更好地融合来自不同模态的知识，以实现更好的链接预测效果，并在多个真实世界数据集上进行了实证评估。
Mar, 2023
提出了一种融合来自卷积神经网络的对象、场景上下文和图像标签模态的方法，以准确预测在线分享图像的隐私。该方法可以识别出最有竞争力的模态，并预测目标图像的隐私标签。实验结果证明，该方法比单一模态和先前的隐私预测模型更准确地预测了敏感（或私密）内容。
Feb, 2019
该研究通过构建多模数据集和深度学习算法，探讨了基于视频和音频进行新闻 YouTube 频道的政治意识形态预测问题，并在文本和元数据的基础上通过使用声音信号，将偏见检测能力提高了 6% 以上。
Oct, 2019