一个半监督框架用于虚假信息检测
本研究提出一种基于新闻来源可信度标签的弱监督学习方法,通过自监督或重新标注等方式纠正可能存在的标签不准确性,构建大规模、多样化的新领域虚假信息数据集。同时,本文应用提出的方法提供了一个 COVID-19 疫苗虚假信息数据集。
Feb, 2022
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
研究提出了一种两路径深度半监督学习的新框架,即一个用于有监督学习,另一个用于无监督学习。这两个路径都是基于卷积神经网络进行实现,用于识别社交媒体中虚假新闻,并且模型可以有效地识别虚假新闻。
Jan, 2020
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
本文研究通过数据挖掘的角度对社交媒体上的假新闻进行自动检测,并用不同的文本分类算法在 Contraint@AAAI 2021 Covid-19 假新闻检测数据集上进行评估。通过使用卷积神经网络(CNN)、长短时记忆(LSTM)和双向编码器变换器(BERT)来进行分类,并评估了无标签 Covid 推文语料库中的无监督学习的重要性。最终结果在 Covid-19 假新闻检测数据集上表现出 98.41%的最佳准确性。
Jan, 2021
本文提出了一种基于信息困惑度的非监督式方法来辟谣虚假言论,该方法主要通过从科学和新闻来源中提取可靠证据,然后利用信息困惑度评估言论的正确性,在 COVID-19 相关测试集上进行实证验证,表现优于现有系统。
Jun, 2020
本研究提出了一种利用社交媒体上的弱标注信号并采用深度神经网络在元学习框架下结合少量干净数据进行训练,以提高虚假新闻的早期检测的方法,实验结果显示该方法可以有效地超越目前的最先进的基准线模型。
Apr, 2020
本文提出了一种基于标记时间点过程的灵活表示方式,开发了一种可扩展的在线算法 Curb 来选择应该何时对故事进行事实核查以有效地减少假新闻和误导性信息的传播。
Nov, 2017