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

本文提出了一种可解释的跨模态去上下文检测方法来辨别不匹配的内容和交叉模态的矛盾，可以帮助事实查核网站记录阐明批驳，实验表明该方法在保持准确率的同时能提供更多可解释的预测。

Apr, 2023

本文提出了三种基于多模态transformer的假新闻检测模型，并通过深入分析操纵数据的方法来探索这些模型在社交媒体上实际使用情况下的性能。研究发现，这些系统在面临被操纵的数据时会出现显著性能下降。为了减少偏差并改善模型的推广能力，本文建议使用数据增强技术对社交媒体上的假新闻检测进行更有意义的实验。所提出的数据增强技术使得模型的泛化能力得到了提高，并获得了最先进的效果。

May, 2023

基于大型语言模型的虚假新闻检测研究发现，大型语言模型虽然能提供多元的合理解释，却无法像基于小语言模型的训练过程那样适当选择和结合解释来得出结论。因此，当前的大型语言模型不能替代小型语言模型在虚假新闻检测中的作用，但可以作为小型语言模型的顾问，提供多元的启示性解释。为了实现这一点，作者设计了自适应启示指导网络（ARG）用于虚假新闻检测，在这个网络中，小型语言模型从大型语言模型的解释中选择性地获取新闻分析的见解。另外，作者还提出了一个消除解释的版本ARG-D，用于成本敏感的情境，无需查询大型语言模型。实验证明，ARG和ARG-D在两个真实数据集上的表现优于基于小型语言模型、大型语言模型以及小型和大型语言模型组合的三种基准方法。

Sep, 2023

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

本研究通过将大规模视觉-语言模型（LVLMs）与特定领域内的造假专有知识相结合，提出了FakeNewsGPT4，用于检测多模态假新闻并获得更优跨领域性能。实验证明FakeNewsGPT4在公共基准测试中表现出优越的性能。

Mar, 2024

SNIFFER是一种特别针对超文本误导检测和解释的新型多模态大型语言模型，通过在InstructBLIP上进行两阶段的指令调整，不仅能够检测文字和图像之间的不一致性，还可以利用外部知识进行上下文验证，实验证明SNIFFER的检测准确性超过了原始的MLLM超过40%，并且在解释能力方面也优于最先进的方法。

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

利用 MUltimodal SimilaritiEs (MUSE) 和 Attentive Intermediate Transformer Representations (AITR) 进行多模态事实核查，将外文新闻和图片进行对比，检测并分类表达了不同的观点。

Jul, 2024

本研究针对现实世界中难以处理的上下文错误信息检测问题，即真实图像与不正确标题的搭配所生成的假新闻。我们提出了一种半监督协议，使用有限的标记图像-文本对和大量未标记对来生成强大的伪标签，研究表明该方法在不平衡数据集上具有显著效果，展示了我们框架的有效性。

Oct, 2024