Jun, 2024

学习域不变特征进行上下文外新闻检测

PDF
TL;DR提出了一种基于对比学习和最大均值差异的测试时间自适应的 Contrastive Domain Adaptation with Test-Time Adaptation (ConDA-TTA) 方法，用于多模态脱离上下文新闻检测问题，实验证明该方法在 7 个领域自适应设置中的 5 个上胜过基线方法，F1 指标有 2.93% 的提升，准确性提高了 2.08%。
multimodal out-of-context newsmisinformationdomain adaptiveconda-ttacontrastive learning
发现论文，激发创造
  • ConDA: 基於對比學習的 AI 生成文本檢測的域適應

    利用对比性领域自适应框架 ConDA，本研究解决了在检测人工智能生成的新闻文本中未标注文本数据的问题，并取得了平均性能提升 31.7％，与完全监督的检测器相差不到 0.8％的结果。

    Sep, 2023

  • 利用领域外数据对多模态假新闻检测中的领域特定提示进行优化

    本研究旨在探索如何使用领域之外的数据，改进所需领域（如政治、医疗等）的虚假新闻检测，提出了一种名为 DPOD（使用领域特定提示调整的领域特定训练）的新框架，利用图像与文本相应标题的特征对齐，并结合域特定提示学习技术，在大规模基准数据集 NewsClippings 上进行广泛实验，取得了显著超越现有方法的最新性能。

    Nov, 2023

  • 通过多模态特征对鲁棒领域虚假信息检测

    社交媒体误导信息对个人和社会有害，并且多模态内容（即文本和图像）使其更具 “可信度”，高于仅有文本的新闻报道。我们提出一种新颖的鲁棒领域与多模态方法（RDCM），用于多模态误导信息的检测，通过领域内对齐模块降低领域漂移，并通过跨模态对齐模块弥合两种模态之间的语义差距。在两个公开的多模态误导信息检测数据集（Pheme 和 Twitter 数据集）上的评估结果证明了该模型的优越性。

    Nov, 2023

  • 基于对比领域自适应的早期虚假信息检测：以 COVID-19 为例

    本文提出了一种用于早期误报检测（CANMD）的对比适应网络，它通过伪标记和标签纠正组件相结合，有效地适应了未知 COVID-19 目标领域，与现有技术相比，取得了显著的改进。

    Aug, 2022

  • 跨域多模态数据在假新闻检测中应用：接纳领域差异

    本研究介绍了一种新的自动检测跨领域新闻中虚假消息的技术，该技术整合了领域特定和跨领域知识，并利用一种无监督的选择性注释技术来减少标注成本，并在跨领域的新闻数据集上实现了最先进的性能。

    Feb, 2021

  • 使用可解释的神经符号模型检测上下文不一致的多模态错误信息

    本文提出了一种可解释的跨模态去上下文检测方法来辨别不匹配的内容和交叉模态的矛盾，可以帮助事实查核网站记录阐明批驳，实验表明该方法在保持准确率的同时能提供更多可解释的预测。

    Apr, 2023

  • MiDAS: 多维度整合领域自适应监督的假新闻检测

    本研究提出一种名为 MiDAS 的多领域自适应方法，该方法结合多个预先训练和微调模型，并使用局部 Lipschitz 光滑性来评估每个模型对新数据的相关性以检测假新闻。MiDAS 在针对 9 个取自不同领域和模态的假新闻数据集的泛化方面取得了新的多领域适应性表现。

    May, 2022

  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 利用文本 - 图像对比模型的能力自动检测在线谣言

    本研究旨在探究对抗学习在虚假信息识别中的应用。通过开发自学模型并在 COSMOS 数据集上进行全面实验，我们发现采用对抗学习能够大幅减少训练数据，同时在数据量不足时显示出优于传统分类器的非匹配图像 - 文本对检测性能提高约 10% 的稳定性和可比性。

    Apr, 2023

  • 基于记忆引导的多视角多域假新闻检测

    本文提出了一种名为 M$^3$FEND 的框架，通过从多视角建模内容，包括语义、情感和风格等，使用领域记忆库显著改进了领域信息，适应性地聚合多个视角的判别性信息，提高了跨领域假新闻检测的成功率。

    Jun, 2022