这篇论文提出了一种名为可信早期检测 (CED) 的新颖的谣言检测模型，它将所有谣言候选人的转发视为一个序列，通过寻找一个早期的时间点进行可信预测，能够显著减少预测时间跨度超过 85％并优于所有现有基线的准确性表现。

Nov, 2018

采用一种基于循环神经网络（RNN）的深度注意力模型，学习序列式文章的不同隐藏表现以识别流言，并通过软注意力机制来提纯相关文章的相关部分，实验证明其能够更快、更准确地检测和辨别流言。

Apr, 2017

一个名为 TARD 的简单而高效的测试时适应化传播图框架用于谣言检测，通过建立传播图在分布偏移情况下增强模型的适应性和鲁棒性，实验证明该框架在性能上优于现有方法。

Mar, 2024

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

该研究构建了一个包含 112 万条与健康相关的谣言的数据集（HealthRCN），并提出了用于中文健康谣言检测和可解释性的检索增强型大语言模型（HRDE），通过检索相关信息来准确判断输入的健康信息是否是谣言，并提供解释性回应，从而帮助用户验证健康信息的真实性。在评估实验中，HRDE 在谣言检测准确性和回答质量方面表现优于其他模型，包括 GPT-4-1106-Preview，平均准确率为 91.04%，F1 得分为 91.58%。

Jun, 2024

我们在本文中提出了一种新型的语义演变增强的传言检测（GARD）模型，该模型通过捕捉局部语义变化和全局语义演进信息来学习事件的语义演变信息，并通过特定的图自编码器和重构策略实现。通过结合语义演变信息和传播结构信息，该模型对事件传播进行全面理解，从而实现准确和稳健的传言检测，并在早期阶段通过捕捉语义演变信息来检测谣言。此外，为了增强模型学习谣言和非谣言的不同模式的能力，我们引入了一个统一性正则化器来进一步提高模型的性能。在三个公共基准数据集上的实验证据证实了我们的 GARD 方法在整体性能和早期传言检测方面优于现有方法。

Apr, 2024

本研究通过对四种常用谣言检测基准数据集进行实验，发现使用时间序列而非随机分割数据集可以有效降低主题重叠部分，降低对模型预测性能高估的影响，建议谣言检测模型均应使用时间序列分割数据集以提高准确性。

Feb, 2023

本文针对社交媒体上的谣言检测问题，提出了一种以时间序列为基础的谣言检测模型 BAET，该模型利用事件树和双重图的结构表征以及基于 RNN 和注意力机制的方法来探测和解决谣言传播所涉及的网络结构，实证结果表明 BAET 相比于现有基线方法，在 Twitter 数据集上具备更高的检测性能。

Apr, 2023

针对传言检测中存在的因多种原因导致的假相关性跟踪误导了已有方法，本文提出了事件分离式谣言检测方法并给出了出版者样式聚合，证明了该方法在准确性、效率和普适性方面均优于现有基线。

Sep, 2022

在社交媒体上，广泛传播的谣言对人们的日常生活产生了负面影响，导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型，通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明，该模型在已有的谣言检测模型方面表现优秀，并且对抗性攻击更具鲁棒性。

Mar, 2024