Apr, 2023

基于对比学习的多模式短视频谣言检测系统

PDF
TL;DR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。
short videorumor detectionmultimodal feature fusionexternal knowledgecontrast learning
发现论文，激发创造
  • 基于多模态融合框架和集成学习的谣言分类

    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。

    Jan, 2023

  • 社交媒体视频帖子中的虚假信息检测

    本研究提出了两种新方法：对比学习和掩码语言建模，以检测短视频社交媒体帖子中的语义不一致性，证明这些方法优于当前的最先进方法，可用于检测社交媒体帖子中的错误信息。

    Feb, 2022

  • 跨语言跨平台谣言验证在多媒体内容上的支点

    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

  • 知识引导下的双重一致性模型用于多模态谣言检测

    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

  • COVID-VTS：短视频平台上的事实抽取和验证

    本文介绍了 COVID-VTS 这一新基准，用于事实核查涉及 COVID19 相关信息的短时视频，提出了 TwtrDetective 这一有效模型，该模型结合跨媒体一致性检查来检测不同模态下的恶意篡改并生成解释。我们开发了一种高效且可扩展的方法来自动生成通过事件操纵或对抗匹配而产生的误导视频，研究了几种最先进的模型，并展示了 TwtrDetective 的优越性。

    Feb, 2023

  • VGA：用于谣言检测的视觉与图像融合注意力网络

    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

  • 探索面向图的多视图融合在社交媒体谣言检测中的应用

    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

  • 基于传播结构的统一对比迁移框架用于增强低资源谣言检测

    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

  • 全能型协同学习：谣言辨别

    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

  • 基于多粒度信息融合的社交媒体多模态假新闻检测

    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