信息流行病管理中的早期误信息检测:一种领域适应方法
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
本研究提出了一种基于对比学习和对抗域混合的无监督域自适应框架,用于将知识从现有数据域传递到目标 COVID-19 数据域,以适应 COVID-19 误信息检测系统。实验证明,我们的方法相比最新的基线算法能够有效地适应未知的 COVID-19 目标领域并取得显著的改进。
Oct, 2022
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
本文提出 MetaAdapt,一个基于元学习的方法,旨在解决在社交媒体等新兴领域中针对虚假信息检测的数据稀缺性问题,具有更好的领域适应性、优秀的表现和大幅减少的参数。
May, 2023
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
该研究针对 COVID-19 信息滥用问题,发布了一份包含 16000 条人工标注推特的数据集,并通过预训练 Transformers 模型等方法获得了良好的评估结果,以解决多语言、多任务下的信息可信度问题。
Apr, 2020
提出了一种针对特定领域的虚假新闻检测方法 DITFEND,该方法采用了领域和实例级别的转移学习框架,同时转移领域级别知识和实例级别知识以提高特定目标领域的性能。实验结果表明,DITFEND 比基本模型在真实场景中具有更好的性能提升效果。
Sep, 2022
本文通过对超过 2.42 亿条推文的大规模计算分析,对 COVID-19 流言与准确信息的特征进行比较研究,并创建了 COVID-19 的流言分类数据集,研究发现该数据集可提高流言分类的正确率超过 9%。
Apr, 2023
一篇关于 COVID-19 的论文,探讨了社交媒体如何在疫情期间传播信息以及如何避免信息污染。研究者提出了一种标注方案,通过众包的方式对社交媒体进行标注,成功地提高了标注基准的准确度。现在呼吁研究社区及其他人士加入这个标注项目,共同解决信息污染的问题。
Jul, 2020
通过系统研究表明,基于深度 Transformer 的预训练模型,虽然在混合领域转移学习方面表现出色,但无法为检测 COVID-19 社交媒体数据中的错误信息提供通用解决方案。因此,本文提出了一种使用浅层网络和卷积神经网络的分层方法来提取目标数据中的局部和全局上下文,从而实现更为具有普适性的解决方案。
Sep, 2021