Feb, 2023

基于 XAI 模型的新型跨领域策略用于假新闻检测

PDF
TL;DR本研究提出了一种四级跨域策略，通过使用来源域的知识，采用精细调整的 BERT 模型实现跨域分类，并使用 Anchor、ELI5、LIME 和 SHAP 等可解释模型来设计一种新的可解释跨域方法。经过实验分析，在不同跨域级别上很好地匹配了 XAI 模型。
fake news detectioncross-domain strategyexplanatory modelsbert modeltext classification
发现论文，激发创造
  • 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

  • 研究 BERT 在评论理解中的跨领域行为

    该研究主要采用 Bert 模型训练，探究单一领域和多领域的 Amazon 评论数据在情感分类中的效果，并发现利用多领域模型可以更好地跨领域地处理数据。

    Jun, 2023

  • 情感导向的跨领域虚假新闻检测：基于对抗领域适应的方法

    本文提出一种情感导向的领域适应方法，并证明在跨领域的情况下，基于情感的模型对于不同数据集的组合具有有效性，用于错误新闻检测。

    Nov, 2022

  • 多社交媒体平台可解释虚假信息检测

    本文提出了通过领域自适应和可解释人工智能的整合来解决广义检测和可解释性两个问题，其中领域自适应神经网络被用于多个社交媒体平台上的 COVID-19 虚假信息检测，而可解释人工智能模型则被用来解释模型输出的标签。实验结果表明，该框架在领域偏移的情况下表现良好，能够学习无域特征并可靠地提取可信信息以有效打击虚假信息。

    Mar, 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

  • 情感引导下的领域自适应假新闻检测方法：对抗学习

    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

  • 无监督域间谣言检测中的对抗学习与交叉注意力

    通过对抗学习方法，结合交叉注意力机制和聚类方式产生伪标签，进一步优化了跨领域谣言检测模型，实现了领域间特征对齐，并提出了一种域不变表征方法，取得了业内领先的表现。

    Mar, 2023

  • 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

  • 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

  • 预防虚假新闻检测中过度信任的机器学习解释

    研究表明通过引入可解释的 AI 助手来解释新闻评论平台中的假新闻，有助于改善用户对算法透明度的理解和信任程度，并提高他们的准确性。

    Jul, 2020