Feb, 2024

走向未来：社交媒体上的未知事件适应性假新闻检测

PDF
TL;DR社交媒体上的虚假新闻检测方法缺乏鲁棒性且无法推广到未知事件，为解决这一问题，该研究提出了一种面向未来事件的虚假新闻检测框架，通过自适应增强策略和图对比学习训练目标预测器，同时独立训练事件预测器并通过减去事件预测器的输出从而缓解事件偏见，实验证明了该方法在真实社交媒体环境下相对于现有的先进方法的有效性。
发现论文，激发创造
  • 元神经过程网络多模态应急假新闻检测

    该论文提出了一种名为 MetaFEND 的端到端假新闻检测框架，将元学习和神经过程方法相结合，有效处理分类信息和修剪不相关的帖子，可以在新出现的事件上快速学习并检测到假新闻。

    Jun, 2021

  • 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

  • 假新闻早期检测：一项跨学科研究

    提出了一个以理论驱动的模型，探索了假新闻在不同层次（词汇、句法、语义和话语）上的表现，并在监督式机器学习框架下进行了检测。在真实世界的两个数据集上的实验证明，该方法可以优于现有技术，并在内容信息有限的情况下实现假新闻的早期检测。

    Apr, 2019

  • 社交媒体上的假新闻检测：数据挖掘视角

    该研究旨在调查社交媒体上的假新闻检测问题并提出相关算法，主要涵盖社交媒体上的假新闻特征、数据挖掘算法、评估指标等方面。

    Aug, 2017

  • 学习历史，演化未来：预测时序趋势用于假新闻检测

    本研究提出了一种名为 “FTT” 的有效框架，可以预测新闻数据的时间分布模式并指导检测器快速适应未来的分布。在真实世界的时序数据集上的实验证明了我们所提出的框架的优越性。

    Jun, 2023

  • 一种有效的深度扩散神经网络方法用于假新闻检测

    本文探讨了从在线社交网络中检测虚假新闻文章、制作者和主题的原则、方法和算法，并评估了相应性能，提出了 FAKEDETECTOR 自动虚假新闻可信度推断模型，通过从文本信息中提取的显性和潜在特征，构建了一个深度扩散网络模型，同时学习新闻文章、制作者和主题的表示。实验结果证明了所提出模型的有效性。

    May, 2018

  • 通向未来的泛化：缓解假新闻检测中的实体偏见

    该研究探讨了虚假新闻检测中存在的实体偏差问题，并提出了一种基于因果图的实体去偏方法（ENDEF），通过消除实体偏差从而提高模型的泛化能力，实验证明该方法可以显著提高虚假新闻检测器的性能。

    Apr, 2022

  • COVID-19 的假新闻检测与行为分析

    本文通过深度学习和集成学习方法，成功识别出社交媒体上的假新闻，并且对其话题进行了研究，发现其中一半话题与真实新闻相同，可能会导致人们的混淆。

    May, 2023

  • 自动检测虚假新闻的深度学习方法

    提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

    May, 2020

  • 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