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

该论文探讨了社交媒体中假新闻传播的挑战，并引入基于增强学习的模型（REAL-FND），将用户评论和用户-新闻交互等辅助信息结合起来，利用跨领域以及领域内的知识，特别是在目标领域的数据有限的情况下，有效地检测假新闻。

Feb, 2022

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

本研究提出了一种情绪引导的、领域自适应的、多任务方法，用于各种数据集中的跨领域假新闻检测，证明了情感引导模型在跨领域设置中的有效性。

Nov, 2022

本文提出了一种基于远程学习的零样本学习框架，用于检测不同语言环境下不同领域的谣言信息，这种模型通过上下文表征、结构特征以及虚拟响应增强方法提高了对谣言信息的早期检测能力，并在三个实际数据集上得到了比现有模型更好的表现。

Dec, 2022

本篇研究提出了一个基于相似性感知的多模态提示学习框架 (SAMPLE) 用于检测假新闻，通过三种提示模板和一种软性描述器分析，并采用自适应融合方法来减少因不相关的交叉模态特征注入噪音，实验表明相较于先前方法，SAMPLE 在两个基准多模态数据集中的 F1 值和准确性均有所提高。另外，SAMPLE 不论在少量数据或是数据丰富的情况下都优于其他方法。

Apr, 2023

在有限的事实核查基础上，利用预训练语言模型和社交环境拓扑结构，我们提出了一种新型的基于提示的模式，用于少样本假新闻检测，显著提升性能。

Sep, 2023

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

为了理解不同领域的虚假信息，我们引入了一个新颖的多领域知识增强基准，名为FineFake，它包含16909个数据样本，涵盖六个语义主题和八个平台，并提供多模态内容，潜在社会背景，半手动验证的常见知识和超越传统二进制标签的细粒度注释。基于FineFake，我们还提出了三个具有挑战性的任务，并提出了一个知识增强的领域自适应网络，在各种情况下对FineFake进行了广泛的实验证明，为未来的研究提供了准确可靠的基准。整个FineFake项目可以在https://github.com/Accuser907/FineFake上作为开源资源进行访问。

Mar, 2024

Few-Shot Fake News Detection using a Dual-perspective Augmented Model to enhance Large Language Models by identifying keywords, retrieving valuable information, and deriving the final result through multiple prediction modules.

Jul, 2024