基于多模态融合框架和集成学习的谣言分类

Jan, 2023

Rumor Classification through a Multimodal Fusion Framework and Ensemble Learning

Abderrazek Azri, Cécile Favre, Nouria Harbi, Jérôme Darmont, Camille Noûs

TL;DR本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架，用于在社交网络中评估信息真实性，并在两个真实数据集上进行广泛实验，结果显示 MONITOR 优于现有的机器学习基线，并且集成模型显着提高了 MONITOR 的性能。

Abstract

The proliferation of rumors on social media has become a major concern due to its ability to create a devastating impact. Manually assessing the

发现论文，激发创造

本研究提出了一种基于图卷积网络的多视图融合框架，用于较好地表示和识别谣言信息，并且在两个公共数据集上实验，结果表明该方法优于现有的技术。

Nov, 2022

本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

Jul, 2020

本文提出一种多任务学习方法，将谣言检测、跟踪、立场分类等环节相结合，从而改善谣言验证性能，并探究了数据集属性与多任务学习模型输出结果之间的联系。

Jun, 2018

提出一种基于知识引导的双一致性网络，用于检测具有多媒体内容的谣言，该网络具有两个一致性检测子网络，可同时捕获跨模态和内容 - 知识水平的不一致性，并在不同丢失视觉模态条件下实现鲁棒的多模态表示学习。该框架在三个公共实际多媒体数据集上的广泛实验表明，可以在完整和不完整的多模态条件下优于最先进的基线。

Jun, 2023

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

本文概述了关于谣言检测领域的最近研究，提供了一个全面的谣言检测数据集列表，并根据他们所利用的信息类型和采取的方法来评估重要的研究，并且也提出了未来研究的几个新方向。

Nov, 2019

该研究探讨了利用多模式特征融合和引入外部知识来检测短视频假消息的方法，包括数据集构建，多模式谣言检测模型和对比学习技术，并在实际应用场景中发挥作用。

Apr, 2023

社交媒体中谣言的传播对社会造成了巨大的伤害，本研究提出一种新的视觉与图神经网络（VGA），通过利用帖子间的传播结构来获取群众观点、发现视觉篡改特征以及隐藏在图像中的文本信息，从而有效地检测多模态谣言。

Jan, 2024

文章提出了利用跨语言平台特征检验谣言的新方法，通过对内外信息间的语义相似度进行比对进而获取最佳效果。

Aug, 2018

使用半监督学习框架来解决极度类别不平衡的问题，并使用实际数据扩充少数类别，该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高，尤其在相关的 Covid 数据上初步测试表明有效性。

Apr, 2023