文章介绍了一种用于检测假新闻的多粒度多模态融合网络模型，并将模型性能与现有方法进行了比较。

Apr, 2023

使用深度学习算法进行场景理解已被广泛应用于不同的产业领域，现在保险公司通过允许客户上传用手机拍摄的图片来快速处理小额索赔，在处理索赔之前，由于日益增长的索赔量，为避免因同一案件而产生的反复索赔，必须进行防欺诈检查，本文提出一种新的方法，该方法可以定位、高效地生成深度特性，使用我们提出的数据集进行实验，进一步证明了该方法的有效性.

Apr, 2018

传统上，检测欺诈保险索赔依赖于商业规则和专家判断，这使得过程耗时且昂贵。因此，研究人员一直在研究开发高效准确的分析策略来标记可疑索赔。然而，在开发欺诈检测模型时，我们面临几个挑战，如欺诈的罕见性导致高类别不平衡，只有少数索赔得到调查和标记，导致大量未标记数据，以及公开可用数据的缺乏。因此，我们设计了一个模拟机器，用于创建与实际保险欺诈数据集相似的具有网络结构和可用协变量的合成数据。此模拟引擎使研究人员和从业者可以在各种不同的设置中检验多种方法学挑战以及测试他们的保险欺诈检测模型的（开发策略），同时还可以生成大量的合成数据集以评估（高级）机器学习技术的预测性能。

Aug, 2023

本文提出了一种基于多模态融合的三维车辆检测方法，使用图像信息有效降低了假阳性，具有快速检测速度；通过基于通道注意力机制的多模态自适应特征融合模块，实现了对不同模态特征的自适应调节和融合技术的适应性，实验结果表明该方法能够过滤掉更多的假阳性，并在 KITTI 基准测试中获得了最快速度和更好的性能。

Sep, 2020

本文围绕多模态虚假新闻检测问题，提出了一种新的提取多模态线索的框架，该框架能够充分地考虑图像文本的三种关系，并在实验证明其优于现有文献的方法。

Aug, 2021

本文提出一种通过学习网络信息来检测有组织的保险欺诈行为的数据驱动程序，在阿里巴巴（Alibaba）上实现了超过 80% 的精度以及比以前的基于规则的分类器多覆盖 44％的可疑帐户，这个方法能够很容易地适用于其他类型的保险。

Feb, 2020

医疗保险索赔存在与患者、医生、诊断中心和保险提供商相关的有组织犯罪，形成一种必须不断监测的连锁反应。通过对回归模型的相关性研究，使用卷积神经网络架构来检测欺诈性索赔，并帮助检测不同提供商提出的索赔中的洗钱行为。使用有监督和无监督分类器来检测欺诈性和非欺诈性的索赔。

Aug, 2023

本研究提出了一个有效的无监督框架，用于利用社交媒体中四种信息类型的知识，从而检测 COVID-19 相关新闻中的虚假信息。该框架使用一个强大的噪声鲁棒的自监督学习技术和一种新颖的数据集构建技术来提高检测性能，并在现有的标记数据集上取得了显著改进。

May, 2023

本文描述了我们在 2022 AAAI 多模态事实验证（Factify）挑战上的参与系统。 我们处理该挑战为多模态蕴含任务，作为多类分类，并提出并探索了两种基线方法，包括集成模型和多模态注意力网络。 我们在此工作中测试了不同 SoTA 预训练变换器和视觉模型。 最佳模型在排行榜中排名第一， 平均 F - 度量值为 0.77。 最后，我们强调了未来研究的任务和多模态数据集的挑战。

Dec, 2021

本文针对多媒体假新闻检测方法鲁棒性差的问题，提出了一种系统的鲁棒性评估方法，并通过 5 种对抗攻击和 2 种后门攻击实验验证，结果表明通过防御机制可以提高多模式检测器的鲁棒性。

Jun, 2022