Jul, 2024

传递结构知识：一种针对冷启动传播的新的假新闻检测任务

HTML
PDF
TL;DR通过设计一个简单但有效的结构对抗网络框架（SAN），从可用的传播数据中学习可迁移特征，以增强仅包含内容样本的检测能力，解决了在没有传播数据的情况下检测内容样本的冷启动虚假新闻检测任务的挑战，并且经过定性和定量实验证明了该框架的有效性。
发现论文，激发创造
  • 利用几何深度学习技术识别社交媒体上的虚假新闻

    本文利用几何深度学习模型对推特上的新闻内容、用户画像、行为，社交网络结构与传播进行深度融合，基于传播模式的方法可以高效地提取特征，提高了对于虚假新闻的识别率，在短时间内便可可靠地便可侦测出，同时与现存的基于内容分析的方法有互补性和多个优势。

    Feb, 2019

  • 学习分层话语级结构用于假新闻检测

    本篇研究介绍了使用分层语篇结构来解决检测和理解虚假新闻对信息可靠性的威胁所面临的挑战，并提出了一种自动构建虚假/真实新闻文本的语篇层次结构的方法 - HDSF。经过实验验证，该方法能够有效地区分真实和虚假新闻并且有助于提高我们对虚假信息的了解。

    Feb, 2019

  • 利用连续学习的图神经网络检测社交媒体中的虚假新闻

    本论文主要针对基于传播的假新闻检测，利用图神经网络实现无需文本信息的分类方法，研究了在新数据集上的性能问题，并提出了利用持续学习方法解决的方案。

    Jul, 2020

  • 基于弱监督学习利用新闻、发布者和用户的可信度进行假新闻的早期检测

    本文提出了一种新的结构感知多头注意力网络（SMAN），该网络通过联合优化假新闻检测和可信度预测任务，明确地利用出版商和用户的可信度进行早期假新闻检测，实验结果表明 SMAN 可以在 4 小时内以超过 91% 的准确率检测出假新闻，比现有模型快得多。

    Dec, 2020

  • 基于图神经网络的社交背景建模用于假新闻检测

    研究分析了基于混合图神经网络和transformer模型的社交语境对于发现假新闻的作用，并且在PolitiFact和Gossipcop数据集上获得了0.91和0.93的f1得分，表现优于基线模型。

    Jul, 2022

  • 低资源语言中的跨语言迁移学习应用于假新闻检测

    本研究提出了一种利用高资源语言训练数据来检测低资源语言中的假新闻的方法，采用对抗学习技术来实现跨语言的检测知识转移，同时利用源信息提高文章可靠性并通过跨语言特征来提高假新闻检测系统的准确性。经实验证明，此方法可以使假新闻检测系统比使用机器翻译训练数据的系统提高3.71%的准确率，并将跨语言特征的应用提高了3.03%的准确率。

    Aug, 2022

  • 基于图神经网络的对抗性对比学习在具备证据感知的假新闻检测中的应用

    本文提出了一种基于证据的假新闻检测的方法，采用图形结构挖掘和对比学习来消除信息冗余，获得具有可靠性和区分度的表示，并在实验中证明了GETRAL相对于现有技术的优越性。

    Oct, 2022

  • 基于上下文的假新闻检测中预训练图神经网络的挑战：对当前策略和资源限制的评估

    深度学习在自然语言处理方面的预训练已经彻底改变了领域，同时，对于虚假新闻检测的进展主要是基于上下文的范式驱动的，其中来自社交媒体等不同类型信号形成图状结构，除了新闻文章外还包含上下文信息。我们提议将这两个发展合并起来，将图神经网络的预训练应用到基于上下文的虚假新闻检测领域。我们的实验评估了不同的图状误信息检测预训练策略，结果表明，在该领域中，迁移学习目前并没有显著改进，相比从头开始训练模型。我们认为目前的一个主要问题是缺乏适合的大规模资源供预训练使用。

    Feb, 2024

  • 对抗风格扩充的大型语言模型用于鲁棒假新闻检测

    通过使用LLMs自动生成各种具有多样性但连贯的风格转换攻击提示，我们的对抗性样式增强模型（AdStyle）改善了对假新闻的检测性能，并提高了鲁棒性。

    Jun, 2024

  • 通过大型语言模型构建生成对抗网络以实现可解释假新闻检测

    本研究针对假新闻检测中可解释性不足的问题，提出了一种新颖的LLM-GAN框架，利用大型语言模型的生成和检测能力来解决假新闻的生成与检测挑战。研究结果表明，LLM-GAN在预测性能和解释质量方面均表现出色，且可集成至云原生AI平台，以提升假新闻检测服务的效果。

    Sep, 2024