无监督域间谣言检测中的对抗学习与交叉注意力
本文提出了一种基于对抗对比学习框架的谣言检测方法,该方法通过语言对齐和新的监督对比训练范式,将从充分资源的谣言数据中学到的特征适应于低资源的数据;此外,通过对抗增强机制,进一步提高低资源谣言表示的鲁棒性,实验结果表明本文提出的方法可以更好地检测出早期谣言。
Apr, 2022
本文提出了一种基于统一对比转移框架的谣言检测方法,通过语言对齐和领域自适应对比学习机制,训练多尺度图卷积网络,实现在不同语言资源匮乏的情况下检测谣言,实验证明这种方法比其他方法更具优越性。
Apr, 2023
本文探索对跨域情感分析任务采用对比学习方法,提出了一种修改后的对比目标,并在同一类的句子表示之间拉近,不同类的之间推远的方法,实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能,同时,可视化结果展示了知识转移的有效性,并通过对抗测试验证了模型的鲁棒性。
Aug, 2022
本研究提出了一种基于对比学习和对抗域混合的无监督域自适应框架,用于将知识从现有数据域传递到目标 COVID-19 数据域,以适应 COVID-19 误信息检测系统。实验证明,我们的方法相比最新的基线算法能够有效地适应未知的 COVID-19 目标领域并取得显著的改进。
Oct, 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
社交媒体误导信息对个人和社会有害,并且多模态内容(即文本和图像)使其更具 “可信度”,高于仅有文本的新闻报道。我们提出一种新颖的鲁棒领域与多模态方法(RDCM),用于多模态误导信息的检测,通过领域内对齐模块降低领域漂移,并通过跨模态对齐模块弥合两种模态之间的语义差距。在两个公开的多模态误导信息检测数据集(Pheme 和 Twitter 数据集)上的评估结果证明了该模型的优越性。
Nov, 2023
提出了一种基于对比学习和最大均值差异的测试时间自适应的 Contrastive Domain Adaptation with Test-Time Adaptation (ConDA-TTA) 方法,用于多模态脱离上下文新闻检测问题,实验证明该方法在 7 个领域自适应设置中的 5 个上胜过基线方法,F1 指标有 2.93% 的提升,准确性提高了 2.08%。
Jun, 2024
本文提出了一种用于早期误报检测(CANMD)的对比适应网络,它通过伪标记和标签纠正组件相结合,有效地适应了未知 COVID-19 目标领域,与现有技术相比,取得了显著的改进。
Aug, 2022
本文提出一种面向跨域情感分类问题的方法,该方法采用半监督学习的想法,联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明,该方法可以更好地利用来自目标域的未标记数据,在各种实验设置中都取得了重大改进。
Sep, 2018
我们提出了一种新颖的基于对抗学习和 mean-teacher 框架的类感知跨域检测变换器,通过引入 IoU 感知预测分支、动态类别阈值细化和实例级类感知对比学习模块来解决跨域适应中的标签不足、类不平衡和模型性能下降的问题。实验证明,我们的方法在改善性能和减轻类别不平衡问题方面效果显著优于现有的基于变换器的方法。
Jan, 2024