Apr, 2023

通过双重对抗去偏置的域外证据感知假新闻检测

PDF
TL;DR我们提出了一种新颖的对抗性学习方法，称为 “Dual Adversarial Learning”，以解决在新闻内容和证据内容之间进行推理时遇到的偏差问题，并减少内容偏差的影响。
evidence-aware fake news detectiondual adversarial learningcontent biasesnews-evidence reasoningout-of-distribution situations
发现论文，激发创造
  • DeClarE: 使用证据感知深度学习揭穿虚假新闻和假言论

    本研究提供了一种端到端模型，该模型可对文字主张进行证据感知的可信度评估，不需要任何人类干预，并通过聚合来自外部证据文章的信号，这些文章的语言以及其来源的可信度来生成用户可理解的解释，从而提高了之前工作的局限性，实验证明其有效性。

    Sep, 2018

  • 持续证据深度学习用于外部分布检测

    该研究论文提出了一种将证据深度学习方法与持续学习框架相结合的方法，能够同时进行增量对象分类和越界检测，在 CIFAR-100 数据集上的实验结果显示，该方法在对象分类和越界检测方面表现出色。

    Sep, 2023

  • 多领域假新闻检测的双教师去偏执蒸馏框架

    提出了一种基于 Dual-Teacher De-biasing Distillation 框架的多领域假新闻检测方法，通过知识蒸馏方法构建了一个不带偏见的教师和一个具有领域知识的干净教师来指导学生模型，以减少领域偏见问题并保持性能，实验证明该方法在偏见度量上明显优于现有基准方法，并保证了具有竞争性的性能。

    Dec, 2023

  • 基于大型语言模型的可解释假新闻检测及竞争智慧中的防御

    利用神经网络进行虚假新闻检测，提出一种基于防御的可解释框架，在海量且多样的言论中检测虚假新闻并提供高质量的解释。

    May, 2024

  • 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

  • 基于实体感知的双重注意力网络用于假新闻检测

    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。

    Feb, 2023

  • 基于图神经网络的对抗性对比学习在具备证据感知的假新闻检测中的应用

    本文提出了一种基于证据的假新闻检测的方法，采用图形结构挖掘和对比学习来消除信息冗余，获得具有可靠性和区分度的表示，并在实验中证明了 GETRAL 相对于现有技术的优越性。

    Oct, 2022

  • Dual-Adapter: 无需训练的双自适应技术用于小样本情况下的区分外分布检测

    我们提出了一种基于先验的无需训练的双适配器（Dual-Adapter）方法，在文本和视觉角度上检测来自不同类别的未见样本，创造性地利用先前被忽视或干扰的特征，在训练数据集中突显与区分 ID 和 OOD 样本，通过广泛的实验结果在四个基准数据集上证明了 Dual-Adapter 的优越性。

    May, 2024

  • DAL: 双重对抗学习用于对话生成

    通过引入对抗生成学习，利用查询生成与回复生成二者之间的对偶，提高回复的多样化，通过模仿人类评委来引导系统生成自然回复的新颖框架 Dual Adversarial Learning 在高质量回复的生成方面取得了很好的效果。

    Jun, 2019

  • 基于不确定性的文本可靠分类

    本文针对文本分类任务中的 OOD 检测问题，提出了基于证据不确定性的方法，该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模了类别概率的不确定性。实验证明，该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers，并在 OOD 检测上优于其他方法。

    Jul, 2021