本研究提出了一种情绪引导的、领域自适应的、多任务方法，用于各种数据集中的跨领域假新闻检测，证明了情感引导模型在跨领域设置中的有效性。

Nov, 2022

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

本文提出了一种基于情感分类的多任务框架，利用迁移学习技术标记四个假新闻检测和谣言检测数据集，并证明了情感与假新闻和谣言检测的合法性的相关性，进而提供了一种改进的特征提取方法。实验结果证明，该多任务模型在准确性、精确度、召回率和 F1 分数方面一致优于单任务方法，无论是在同领域还是异领域的数据集中。

Nov, 2022

本研究为提高假新闻检测效果，通过验证双重情感在真实新闻和假新闻中的差异，并提出双重情感特征用于表征社会情感和发布情感，并与现有的假新闻检测器兼容，可有效提高假新闻检测性能。

Mar, 2019

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

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

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

本文提出了一种基于卷积神经网络和长短记忆网络的深度学习架构，通过使用可转移的特征从多个源域自适应模型并识别不同情感领域的语音情感，实验结果表明，该方法提供了 4.3％至 18.4％的效果增益。

Dec, 2019

本研究考虑了新闻文章情感信息对健康领域虚假新闻识别的作用，利用情感强度词库开发情感化文本表示技术，在多种监督和无监督情况下评估了该表示技术的实用性，结果表明情感信息的使用可以显著提高健康领域识别虚假信息的准确率。

Jun, 2019

通过深度对抗互学习方法，利用领域鉴别器、情感分类器、标签探针和标签鉴别器促进特征提取器学习来自源域和目标域的情感。实验结果表明，这种方法在多个公共数据集上实现了最先进的性能，证实了标签探针引导的互相学习的有效性。

Feb, 2020