Jun, 2024

RAEmoLLM: 基于情感信息的跨领域虚假信息检测的检索增强 LLM

PDF
TL;DR该论文提出了 RAEmoLLM 框架，通过应用情感感知 LLM 构建一个含有情感嵌入的检索数据库，以实现跨领域的虚假信息检测。实验结果显示，RAEmoLLM 较零样本方法在三个数据集上均获得显著提高，其中最高分别提高了 20.69%、23.94% 和 39.11%。
misinformation detectioncross-domainaffective informationretrieval augmented llmsin-context few-shot learning
发现论文，激发创造
  • RRAML: 强化检索增强机器学习

    通过提出一种名为增强检索增强机器学习（RRAML）的新型框架，将大型语言模型的推理能力与用户提供的数据库中的检索信息相结合，有效地解决了 API 文本输入的上下文限制和外部数据源可用性的局限性。

    Jul, 2023

  • EmoLLMs：一系列用于全面情感分析的情感大型语言模型和注释工具

    基于指令数据微调各种 LLMs 的 EmoLLMs 系列兼具情感分类和回归任务的综合情感分析模型，在各类任务中超越了现有的 LLMs、ChatGPT 和 GPT-4，具有与 ChatGPT 和 GPT-4 相当的情感分析自动化标注工具的广泛应用能力。

    Jan, 2024

  • ConspEmoLLM：情感为基础的大规模语言模型用于阴谋理论检测

    利用情感特征和情感导向的大型语言模型，我们提出了一个名为 ConspEmoLLM 的开源系统，可用于准确检测误传信息和阴谋论，并能执行与阴谋论相关的多项任务，如理论类型分类和相关讨论的检测。我们的研究证明，ConspEmoLLM 在这些任务上表现出色，超过了几个开源通用领域的大型语言模型和 ChatGPT，以及使用了 ConDID 进行服务调整和评估但未使用情感特征的大型语言模型。

    Mar, 2024

  • 对话 LLM：面向情感识别的对话中的上下文和情感知识调整的 LLaMA 模型

    使用多模态信息、上下文和情感知识调整的对话型大型语言模型 (DialogueLLM)，通过对 13,638 个多模态（文本和视频）情感对话进行微调，克服了大型语言模型在情感识别方面的局限性，并在三个基准情感对话识别数据集上进行了全面评估。

    Oct, 2023

  • 情感 - LLaMA: 多模态情感识别与推理，通过指导调优

    为了解决情感识别中的单模态方法在捕捉真实世界情感表达复杂性方面的局限性，我们提出了 MERR 数据集和 Emotion-LLaMA 模型，通过整合音频、视觉和文本输入，显著提高情感识别能力，并在 evaluations 中取得了优异的成绩。

    Jun, 2024

  • 重新寻求真相：多轮检索增强的大型语言模型是强大的假新闻检测器

    通过多轮检索策略从网络源自动抽取关键证据进行主张验证的检索增强 LLMs 框架是第一种能自动地并有目的性地从网页信息中提取关键证据的框架，通过在三个现实世界数据集上进行全面的实验证明了该框架对现有方法的优越性。重要的是，我们的模型不仅提供准确的结论，还提供可读的解释，以提高结果的可解释性。

    Mar, 2024

  • 分辨和解答：通过鉴别器缓解检索增强模型中错误信息的影响

    本文研究了现有检索增强语言模型在面对包含错误信息的检索文档时的健壮性问题，并通过在微调和上下文几次学习中显式微调鉴别器或提示来提高检索增强语言模型对错误信息的容忍度，并揭示了有关在上下文学习过程中将微调模型决策与合并的最佳路径。

    May, 2023

  • LEMMA: 用外部知识增强的 LVLM 增强型多模态误信息检测

    利用 Large Vision Language Model（LVLM）及外部知识增强的 LEMMA 方法，大幅提升了多模态错误信息检测的准确性。

    Feb, 2024

  • 结构化信息的重要性：将抽象意义表示引入到 LLMs 中以提高开放域对话评估

    我们提出了一个简单而有效的开放域对话评估框架，通过将领域特定语言模型（SLMs）与 LLMs 结合起来，明确地通过门控机制将对话的抽象意义表示（AMR）图信息融入到 LLM 的提示中，以提高上下文学习性能，并在开放域对话评估任务中的实验结果证明了我们方法在区分对抗性负面回应方面的优越性。

    Apr, 2024

  • 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