本文提出了一种简单却难以超越的多模态神经模型，通过结合来自不同模态的特征，例如视频、音频、文本和微表情，我们证明了在现实生活视频中检测欺骗可以更加准确。在真实生活欺骗视频数据集上的实验结果表明，我们的模型在欺骗检测方面的准确率达到了 96.14％，ROC-AUC 为 0.9799。
Mar, 2018
利用卷积神经网络对多模态欺骗检测进行研究，从数据中提取语言和生理特征以训练神经网络模型，提出了融合两种模态的卷积神经网络模型，与早期方法相比，我们的系统表现更优，初步证明在数据有限的情况下使用神经网络进行欺骗检测是可行的。
Nov, 2023
基于一项新型电视游戏节目数据的分析，我们检验了在目标真相存在的情况下，人们辨别文本内容真实性的能力，显示了存在一类能够与人类具有相似真相检测性能的检测器模型，这一模型基于大型语言模型，通过学习可分辨线索来确定真相，该模型在很多情况下能够检测出人类无法察觉的欺骗语言线索，并为与算法的协作提供了可能，进而增强人类的真相检测能力。
互联网经济和社会正深陷欺骗性攻击之中，包括假新闻、网络钓鱼和职位欺诈等，我们将其称为 “欺骗领域”；这篇论文研究了领域无关的欺骗，提出了欺骗的新计算定义和分类，并分析了语言线索对欺骗的辩论，并提供了系统综述的指导，最后调查了常见的语言特征，并证明了不同欺骗形式之间的知识转移。
Feb, 2024
本文提出一种基于数据驱动的自动欺骗检测方法，利用面部特征的移动，声音模式和口头分析来判断证人是否说谎，建立了支持向量机模型，并采用基于词汇分析的视觉和词汇分析相结合的方法
Mar, 2019
本研究为现有多模式虚假信息检测技术提供了一份综述，重点关注了文本、图像、语音、视频、社交媒体网络结构和时间信息等多种组合形式，并探讨了未来研究的方向和挑战，同时提出需要在相同框架内考虑虚假信息的真实性和危害程度。
Mar, 2021
采用多模态投票型方法，利用图像、声音和语言特征进行自动欺骗检测，实验结果表明该方法优于现有技术。
Jun, 2023
本文通过结合深度学习和判别模型提出了一种多模态方法用于自动检测欺诈，并且在五个数据集上进行了评估，结果表明基于面部表情的方法优于基于凝视和头部位置的方法，并且多模态方法与特征选择的结合可以提高检测性能。
Jul, 2023
本文分析社交媒体中多模态环境下的虚假信息与图片 / 视频利用的挑战和机会，探讨现存技术及其不足，旨在进一步提升多模态虚假信息检测的技术。
Mar, 2022
本文通过调查社交媒体评论、法庭证言、针对特定主题的意见陈述以及在线策略游戏中的欺骗对话等领域的数据资料，合并这些数据集成为一个单一的统一语料库来研究利用语言线索检测欺骗。基于这个资源，我们对语言欺骗线索进行了相关性分析，进行了跨语料库建模实验，表明跨领域泛化是具有挑战性的。