Nov, 2023

ExFake: 基于内容和社会上下文信息的可解释假新闻检测

PDF
TL;DRExFake 是一个基于内容和上下文级信息的可解释的假新闻检测系统，它关注在线帖子的真实性分析，基于其内容、社交背景（例如在线用户的可信度和历史行为）以及来自可信实体（如事实核查网站和命名实体）的数据。与现有技术不同，该系统还采用了可解释的 AI 助手，帮助在线社交网络用户在面对任何可疑信息在社交网络上传播时发展良好的反应能力。系统还通过为 OSN 用户分配可信度评分来解决 OSN 用户的可信度问题，因为 OSN 用户是传播假新闻的主要罪魁祸首。对真实数据集的实验分析表明，ExFake 在假新闻检测方面显著优于其他基准方法。
exfakeexplainable fake news detectioncontent-level informationcontext-level informationcredibility score
发现论文，激发创造
  • 可解释的虚假新闻检测器和可视化

    XFake 是一个可解释的 fake news detector，通过同时考虑发言特征和言论语义、语言分析，设计了 MIMIC、ATTN 和 PERT 框架，在提供相关支持示例和可视化的同时，帮助人们正确辨别真假新闻。

    Jul, 2019

  • 实时揭露与解释虚假新闻

    该研究提出了一种可解释和在线的分类方法，结合无监督和有监督的机器学习方法，使用自然语言处理技术基于创建者、内容和上下文的特征，识别和解释社交媒体中的虚假新闻，并通过数据流处理提供实时的早期检测、隔离和解释，从而提高社交媒体内容的质量和可信度。

    May, 2024

  • 通过可解释的 AI 实现智能虚假新闻检测

    人们现在认为社交媒体是他们唯一的信息来源，但同时社交媒体上假新闻也呈指数级增长。本文强调可解释的假新闻检测在当前技术水平上的现状，并介绍了我们正在开展的多模态可解释假新闻检测模型研究。

    Jul, 2022

  • 预防虚假新闻检测中过度信任的机器学习解释

    研究表明通过引入可解释的 AI 助手来解释新闻评论平台中的假新闻，有助于改善用户对算法透明度的理解和信任程度，并提高他们的准确性。

    Jul, 2020

  • 超越新闻内容：社会背景在假新闻检测中的作用

    研究使用 TriFN 实现社交媒体中的假新闻监测，并利用发布者、新闻片段和用户之间的三方关系来提高准确性。实验证明 TriFN 模型可以显著提高假新闻检测的性能。

    Dec, 2017

  • 基于图神经网络的社交背景建模用于假新闻检测

    研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用，并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分，表现优于基线模型。

    Jul, 2022

  • FakeNewsNet: 一个数据仓库，提供新闻内容、社交背景和时空信息，用于研究社交媒体上的虚假新闻

    通过提供包含新闻内容、社会背景和动态信息的数据集，本文旨在促进对社交媒体上假新闻的传播、检测和干预的研究，强调了假新闻检测的复杂性，并结合多源信息提出了可能的解决方案。

    Sep, 2018

  • 利用用户评论来提前发现假新闻在用户发表评论之前

    通过吸收和参数化历史新闻中的评论中有用的知识，并将其注入到仅基于内容的检测模型中，我们设计了评论辅助虚假新闻检测方法 (CAS-FEND)，该方法在训练期间将有用的知识从评论感知的教师模型转移到仅基于内容的学生模型。实验证明，CAS-FEND 学生模型在早期检测方面表现出优越性，胜过所有仅基于内容的方法，甚至胜过输入 1/4 评论的方法。

    Oct, 2023

  • 无处可藏：双重深度交互通道网络基于数据增强用于假新闻检测

    本篇论文提出了一种基于语义、情感和数据增强的小样本下假新闻检测方法，并引入情感演进模式和双深度交互通道网络，同时设计数据增强模块提高模型性能。实验证明该方法优于现有方法。

    Mar, 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