ACLFeb, 2023

基于实体感知的双重注意力网络用于假新闻检测

PDF
TL;DR本文介绍了一种名为 Dual Co-Attention Network（Dual-CAN）的方法用于检测假新闻，其考虑了新闻内容、社交媒体回复和外部知识，实验结果表明该方法比当前代表性模型在两个基准数据集上表现更好，并通过关注权重的实证分析来比较两个数据集上的模型工作。
fake newsmisinformationinternetdual co-attention networkbenchmark datasets
发现论文，激发创造
  • GCAN: 面向社交媒体的基于图注意力机制的可解释假新闻检测网络

    本研究旨在解决社交媒体上的假新闻检测问题。通过开发一种基于神经网络的模型（GCAN），该模型能够通过关注具有嫌疑的转推者和他们关心的词语，准确地预测 tweet 是否是假的，并生成合理的解释。实验结果表明，GCAN 的准确率平均比最先进的方法高出 16％，同时还能够提供合理的解释。

    Apr, 2020

  • 多头注意力层级网络用于证据感知的假新闻检测

    本研究提出了一种基于 Hierarchical Multi-head Attentive Network 的虚假新闻检测方法，该方法使用多头词级别和文档级别的注意力实现解释，并在两个实际数据集上优于七种现有方法。

    Feb, 2021

  • DCANet: 注重注意力的双卷积神经网络用于图像盲去噪

    本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet，该方法采用了双重 CNN 结构和噪声估计网络，实现了对实际噪声和合成噪声的有效压制。

    Apr, 2023

  • 基于层次图注意力的新闻异构信息网络假新闻检测

    该研究提出了一种名为 HGAT (Hierarchical Graph Attention Network) 的框架，该框架利用一种新颖的分层注意机制，在异构信息网络中进行节点表示学习，通过对新闻文章节点进行分类来检测假新闻。实验结果表明，HGAT 可以胜过基于文本和其他基于网络结构的模型，并且该框架还具有与其他节点分类相关应用程序的图形表示学习的扩展性和通用性。

    Feb, 2020

  • 一种用于可解释假新闻检测的粗到精级联证据蒸馏神经网络

    本研究提出了一种基于媒体上流传的原始报道的可解释的假新闻检测方法，使用粗到细的级联证据蒸馏神经网络来选择最可解释的句子以提供 verdict，并构建了两个可公开获取的可解释假新闻数据集。实验表明，该模型显著优于现有基线模型，从不同角度提供高质量的解释。

    Sep, 2022

  • 无处可藏：双重深度交互通道网络基于数据增强用于假新闻检测

    本篇论文提出了一种基于语义、情感和数据增强的小样本下假新闻检测方法，并引入情感演进模式和双深度交互通道网络，同时设计数据增强模块提高模型性能。实验证明该方法优于现有方法。

    Mar, 2023

  • DANES：用于社交和文本上下文感知的假新闻深度神经网络集成架构

    本文提出了 DANES，一种适用于社交和文本上下文感知的假新闻检测深度神经网络集成架构。通过使用文本分支和社交分支创建新的网络嵌入，初步消融结果表明，当使用社交和文本内容特征时，精度优于现有技术方案。

    Feb, 2023

  • 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

  • 基于图神经网络的社交背景建模用于假新闻检测

    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

  • 3HAN: 一种用于假新闻检测的深度神经网络

    我们使用基于深度学习的自动检测器，通过三层分层注意网络（3HAN）快速、准确地检测假新闻。通过实验证明，3HAN 具有 96.77% 的精确度，并提供可视化的热图帮助进一步手动事实检查。

    Jun, 2023