May, 2023

利用特征增强和软域迁移进行欺诈检测

PDF
TL;DR利用神经网络模型的中间层表示，我们提出了一种特征增强方法，用于不同信息领域之间的欺骗检测，其中 Tweets 对于虚假新闻和网络钓鱼邮件检测最有帮助，而新闻对于推特谣言检测最有帮助，我们的分析为领域知识转移提供了有用的见解，可以帮助构建比现有文献更强大的欺骗检测系统。
deception detectionnewsemailstweetsneural models
发现论文，激发创造
  • 跨域多模态数据在假新闻检测中应用：接纳领域差异

    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

  • 情感导向的跨领域虚假新闻检测：基于对抗领域适应的方法

    本文提出一种情感导向的领域适应方法，并证明在跨领域的情况下，基于情感的模型对于不同数据集的组合具有有效性，用于错误新闻检测。

    Nov, 2022

  • 通过领域和实例级别的迁移改善 Influential Domain 的假新闻检测

    提出了一种针对特定领域的虚假新闻检测方法 DITFEND，该方法采用了领域和实例级别的转移学习框架，同时转移领域级别知识和实例级别知识以提高特定目标领域的性能。实验结果表明，DITFEND 比基本模型在真实场景中具有更好的性能提升效果。

    Sep, 2022

  • 情感引导下的领域自适应假新闻检测方法：对抗学习

    本研究提出了一种情绪引导的、领域自适应的、多任务方法，用于各种数据集中的跨领域假新闻检测，证明了情感引导模型在跨领域设置中的有效性。

    Nov, 2022

  • 利用多域视觉信息进行虚假新闻检测

    本文提出了一种名为 Multi-domain Visual Neural Network (MVNN) 的框架，该框架将频率和像素域的视觉信息融合起来用于检测假新闻图像。在真实数据集上的实验表明，MVNN 比现有方法至少提高了 9.2% 的准确度，并可帮助提高超过 5.2% 的多模态假新闻检测性能。

    Aug, 2019

  • 自动检测虚假新闻的深度学习方法

    提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

    May, 2020

  • 领域无关的欺骗：一种新的分类法和语言分析

    互联网经济和社会正深陷欺骗性攻击之中，包括假新闻、网络钓鱼和职位欺诈等，我们将其称为 “欺骗领域”；这篇论文研究了领域无关的欺骗，提出了欺骗的新计算定义和分类，并分析了语言线索对欺骗的辩论，并提供了系统综述的指导，最后调查了常见的语言特征，并证明了不同欺骗形式之间的知识转移。

    Feb, 2024

  • DeceptionNet: 面向网络的领域随机化

    本文提出了一种新的方法来解决合成和真实数据之间的领域适应问题，该方法利用任务网络作为其自己的对抗指南来找到最大化输出不确定性的有用增强，并设计了一个极小极大优化方案来最小化任务误差，针对欺骗者强制执行的特定约束条件，迷惑网络从可微分的像素级扰动中进行采样并利用任务体系结构找到最具破坏性的增强，从而实现了源数据到多个目标分布的稳健映射。

    Apr, 2019

  • 通过多模态特征对鲁棒领域虚假信息检测

    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

  • 学习域不变特征进行上下文外新闻检测

    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