本文针对自动事实检测的不足之处,提供了首个研究可利用可用的声明上下文生成自动化证明,并且演示了一项同时优化判断准确性预测和证明生成的多任务模型平均性能更好。
Apr, 2020
本文提出了一种基于 BERT 模型的句子级多任务学习模型,可用于事实验证任务,并通过联合训练模型的理由选择和态度预测来实现反击社交媒体或新闻网站上不断传播的错误信息的目的。
Dec, 2020
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
自动化生成证明(说明为何某主张被分类为真或假)的过程在抵制虚假信息方面起到重要作用,这篇论文针对无结构知识(如新闻文章)的摘要方法进行了实验证明,结果显示,通过基于主张信息的抽取步骤改善摘要性能可以从证明生成摘要中获益。
Aug, 2023
本文介绍了一种基于多模态视角的自动虚假信息检测方法,提出了一种基于可解释性方法的虚假信息分类框架,从而增加决策的可解释性和完整性。
Dec, 2022
社交媒体上的谣言验证任务涉及根据产生的会话线程来评估主张的真实性。我们通过使用事后可解释方法评分来得到最重要的帖子,然后使用这些帖子通过模板引导总结生成信息性的解释总结,表明解释的抽象总结比仅使用线程中排名最高的帖子更具信息性并更好地反映了预测的谣言真实性,从而重新制定此任务。
Jan, 2024
在社交媒体如此发达的时代,我们提出了一个新的流程,其中部分自动化事实检查的生命周期可以节省人力和高认知任务。我们的方法是利用抽象摘要生成简洁的查询,这些查询可以在基于现有已核查实事的数据集的检索系统中执行。通过使用现有的摘要模型进行微调和开箱既食的摘要模型,我们获得了具有更好的检索表现,检索准确率提高了 3 倍,而基于原文查询的准确率仅为 10%。
Sep, 2022
我们提出了一种端到端的多模态事实核查和解释生成方法,利用包括文章、图片、视频以及推特在内的大量网络资源来评估索赔的真实性,并生成一个有理化陈述来解释推理和裁定过程。我们构建了 Mocheg,这是一个大规模数据集,包括 21,184 个索赔和 58,523 条文本和图像形式的证据。我们在多模态证据检索、索赔验证和解释生成三个子任务上进行了几种最先进的神经网络结构的实验,以建立基准性能,并展示端到端多模态事实核查的最新性能仍然远远不够令人满意。据我们所知,我们是第一个建立端到端多模态事实核查和证明基准数据集和解决方案的研究团队。
May, 2022
通过知识传递策略,可以提高模型性能,从而有效验证消息的真实性,扩大网络警察机制的规模,减轻虚假和有害内容的传播。
Jun, 2024
提出一种新颖的基于逻辑的神经模型,该模型将可解释的逻辑子句集成到目标任务的推理过程中,以检测多模态误解信息,通过在神经表示中参数化符号逻辑元素来实现学习的有效性,并引入五个元预测以使我们的框架具有多样性。
May, 2023