Jun, 2024

深度伪造推文自动检测

PDF
TL;DR本研究利用先进的自然语言处理技术来区分真实和人工智能生成的文本，以解决检测 DeepFake 推文的挑战。通过使用 TweepFake 数据集来训练和评估不同的机器学习模型，旨在识别有效的策略，从而提高数字通信的完整性，通过开发可靠的方法来检测人工智能生成的虚假信息，本研究对于构建一个更可信赖的在线信息环境做出了贡献。
deepfake tweetsnatural language processingnlp techniquestweepfake datasetmachine learning models
发现论文，激发创造
  • TweepFake：关于检测 Deepfake 推文

    该研究收集了以 GPT-2 为代表的各种文本生成技术生成的推特信息，形成了 TweepFake 数据集，进一步通过评估 13 种深度伪造文本检测方法提供了针对社交媒体信息的深度伪造检测的基础。

    Jul, 2020

  • 用于虚假新闻检测的自然语言处理综述

    本文介绍了如何应用自然语言处理技术解决社交网络上的虚假新闻检测问题，并着重描述了该问题的挑战以及相关任务的形式、数据集和解决方案，并讨论了其潜力和局限性，并提出了更精细、详细、公平和实用的检测模型等研究方向。

    Nov, 2018

  • 利用深度学习方法进行深度伪造检测：综述

    本论文旨在探讨不同的方法学以实现具有更高准确度的低成本模型，以检测 Deepfake，并解决数据集的泛化问题。

    Apr, 2023

  • 深度假文本检测：限制和机遇

    本文通过收集 Transformer-based 工具生成的 deepfake 文本从而评估现有方法在野外环境中实际应用的能力，并通过对抗攻击研究对现有防御措施的稳健性。研究发现，将文本内容中的语义信息引入是提高 deepfake 文本检测方案鲁棒性和泛化性能的有效途径。

    Oct, 2022

  • 使用可靠来源的交叉检查实现自动假新闻检测

    本研究利用自然语言处理和机器学习技术，开发出一种自动化检测虚假新闻的方法，该方法能够对推特上发布的内容进行检测，从可靠的新闻机构中获取相关信息，并使用随机森林模型进行分类，取得了 70％的准确率， 这为虚假新闻检测提供了一种更加敏感和自然的方法。

    Jan, 2022

  • 利用 MLP 和 LSTM 的混合式 Deepfake 检测

    该研究提出了使用两个深度学习算法（LSTM 和 MLP）的新 deepfake 检测模型，并使用 140k 真实和虚假面孔数据集评估其在检测 deepfake 图像中的表现，最高可达 74.7% 的准确率。

    Apr, 2023

  • 揭穿虚假信息：利用 NLP 在假新闻检测中革命真相

    互联网和社交媒体改变了人们在信息传播迅速的时代获取新闻的方式。虽然这种发展增加了信息的获取，但也带来了一个重大问题：假新闻和信息的传播。假新闻迅速在数字平台上传播，对媒体生态系统、公众舆论、决策和社会凝聚力产生了负面影响。自然语言处理（NLP）作为一种能够确定内容真伪的技术手段，在对抗虚假信息的战斗中崭露头角。本文深入探讨了 NLP 技术如何用于检测假新闻，并揭示了它所带来的挑战和机遇。

    Aug, 2023

  • 深度伪造检测和有限计算能力的影响

    快速发展的技术和人工智能使得 deepfakes 成为一种越来越复杂和难以识别的技术。为了确保信息的准确性，控制虚假信息和大规模操控，寻找和发展能够普遍检测伪造视频的人工智能模型至关重要。本文旨在解决在计算资源有限的情况下检测 deepfakes 在各种现有数据集中的问题。目标是分析在这些限制下不同深度学习技术的适用性，并探索提高其效率的可能方法。

    Feb, 2024

  • 通过自然语言处理进行的假新闻检测容易受到对抗性攻击

    本文探讨了现有的假新闻检测方法存在的问题，并提出加入事实核查与语言分析相结合的方法，以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。

    Jan, 2019

  • 运用自然语言处理和机器学习开发伪新闻模型

    通过机器学习算法，在两个公开数据集上进行实验分析，研究了如何检测和区分真假新闻，结果表明采用了三种分类器：被动型侵略性、朴素贝叶斯和支持向量机，这种方法具有良好的性能表现。

    Jan, 2022