Feb, 2024

TELLER：一个可信的、泛化的、可控的假新闻检测框架

PDF
TL;DR通过使用追求解释性、泛化性和可控性的认知系统和决策系统的双系统框架，我们提出了一种可信的假新闻检测方法，该方法使用人类专业知识生成逻辑谓词来指导大型语言模型生成可读的逻辑原子，并通过推导可泛化的逻辑规则来对这些原子进行聚合，从而实现对不同领域的输入新闻真实性进行识别和提升决策过程的透明度。
发现论文，激发创造
  • 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

  • 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

  • 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

  • FakeWatch: 一个检测假新闻以确保可信选举的框架

    为了解决当今科技驱动的世界中虚假新闻（尤其是在选举等关键事件期间）的快速传播给信息的完整性带来的日益威胁，我们引入了 FakeWatch，一个全面的框架，旨在有效检测虚假新闻。通过利用一个新的精选北美选举相关新闻文章的数据集，我们构建了强大的分类模型。我们的框架融合了传统机器学习技术和尖端语言模型，以有效区分虚假新闻。我们的总体目标是为研究社区提供适应不断演变的误导信息领域的可调整和精确的分类模型。对我们的数据集上的虚假新闻分类器的定量评估表明，虽然最先进的语言模型略优于传统机器学习模型，由于其准确性和计算效率的平衡，传统模型仍然具有竞争力。此外，定性分析揭示了虚假新闻文章中的模式。这项研究为未来旨在打击误导信息（尤其是有关选举过程的信息）的努力奠定了基础。我们公开提供了我们的标记数据和模型以供使用和可复制性检验。

    Mar, 2024

  • 重新寻求真相：多轮检索增强的大型语言模型是强大的假新闻检测器

    通过多轮检索策略从网络源自动抽取关键证据进行主张验证的检索增强 LLMs 框架是第一种能自动地并有目的性地从网页信息中提取关键证据的框架，通过在三个现实世界数据集上进行全面的实验证明了该框架对现有方法的优越性。重要的是，我们的模型不仅提供准确的结论，还提供可读的解释，以提高结果的可解释性。

    Mar, 2024

  • 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

  • 利用主题和深度变分模型的可解释假新闻检测

    本研究开发了一个深度概率模型，该模型使用一个变分自动编码器和双向 LSTM 网络的密集文本表示与从贝叶斯混合模型中推断出的语义主题相关特征，旨在使用可解释的特征和方法检测真假新闻，实验证明该方法实现了与现有方法可比较的性能。

    Sep, 2022

  • 为虚假新闻检测进行细粒度推理

    通过模拟人的信息处理模型、引入人类知识、设计先验感知的双通道核心图网络来检测假新闻，取得了比现有方法更好的效果和可解释性。

    Sep, 2021

  • 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

  • 社交网络中检测谣言的可解释化模态框架

    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