Oct, 2023

通过上下文化的社交智慧弱监督检测误导性句子解构假新闻

PDF
TL;DR在假新闻辟谣领域，我们研究了一项新的任务，即检测句子级的错误信息。我们提出了一种名为弱监督检测误导性句子（WSDMS）的模型，该模型只需要基于包的标签进行训练，但能够推断出句子级的错误信息和文章级的真实性，并辅以与新闻句子有关的社交媒体对话进行上下文化处理。我们在三个真实世界的基准测试中评估了 WSDMS，并证明其在句子和文章级别的假新闻辟谣方面优于现有的最先进基线模型。
发现论文，激发创造
  • 利用多源弱社交监督进行假新闻的早期检测

    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

  • 利用标签精炼从社交媒体话语中构建大规模的虚假信息标记数据集

    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

  • 一个半监督框架用于虚假信息检测

    使用半监督学习框架来解决极度类别不平衡的问题，并使用实际数据扩充少数类别，该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高，尤其在相关的 Covid 数据上初步测试表明有效性。

    Apr, 2023

  • 基于多模态弱信号的无监督领域无关假新闻检测

    本研究提出了一个有效的无监督框架，用于利用社交媒体中四种信息类型的知识，从而检测 COVID-19 相关新闻中的虚假信息。该框架使用一个强大的噪声鲁棒的自监督学习技术和一种新颖的数据集构建技术来提高检测性能，并在现有的标记数据集上取得了显著改进。

    May, 2023

  • 一种基于弱监督传播模型的谣言验证和立场检测方法，利用多实例学习实现

    通过多示例学习方案，我们提出了基于树结构的弱监督框架来联合分类谣言和立场，这里只需要关于真实性的包级标签。最后，我们提出了分层注意力机制来聚合二进制预测，通过在三个 Twitter 数据集上进行广泛的实验，证明了我们的模型在与现有方法相比的认领级别的谣言检测和帖子级别的立场分类方面具有良好的性能。

    Apr, 2022

  • 大型语言模型能否检测科学新闻报道中的错误信息？

    使用大型语言模型检测科学报道中的虚假信息，针对缺乏明确标签的情况，提出了多种基于大型语言模型的基准架构和提示方法，包括零样本、少样本和连贯思维提示等。

    Feb, 2024

  • 使用弱监督迭代图形方法检索 COVID-19 谣言话题

    本文提出了一种基于图的弱监督迭代方法来检测与 COVID-19 相关的谣言、主题和观点，利用 Bert-based Word Graph Search 进行误信息提取，具有较好的准确性，可用于改善公共卫生信息传播。

    May, 2022

  • 错误信息的困惑度高

    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

  • Factify 2: 多模态假新闻检测研究结果

    社交媒体的迅速增长导致虚假新闻泛滥，因此自动检测和验证虚假信息的研究变得尤为重要。本研究介绍了 Factify 2 任务的结果，提供了一个多模态事实验证和讽刺新闻数据集，并使用基于多模态关系将社交媒体索求与支持文件进行比较，最终得到 81.82% 的最高 F1 分数。

    Jul, 2023

  • 通过强化学习进行假新闻检测的弱监督方法

    本研究提出了一种基于弱监督的虚假新闻检测框架 WeFEND，该框架利用用户举报作为弱监督来扩大数据集规模。我们采用增强学习方法，从弱标注数据中选择高质量样本来提高检测器的精度。实验结果表明，与现有技术相比，WeFEND 模型在微信公众号新闻数据集上实现了最优性能的虚假新闻检测。

    Dec, 2019