- KPG: 基于强化学习的谣言检测关键传播图生成器
这篇论文介绍了一种基于强化学习的谣言检测框架，通过生成上下文一致和信息丰富的传播模式来解决传播图中噪音和无关结构的问题，并通过候选响应生成器和终点节点选择器的组成及互相训练来优化检测效果，最终在四个数据集上的实验证明了其优越性。
- 语义演化增强的图自编码器用于谣言检测
我们在本文中提出了一种新型的语义演变增强的传言检测（GARD）模型，该模型通过捕捉局部语义变化和全局语义演进信息来学习事件的语义演变信息，并通过特定的图自编码器和重构策略实现。通过结合语义演变信息和传播结构信息，该模型对事件传播进行全面理解 - 打击谣言的未来？检索、筛选和生成
人工智能生成的内容 (AIGC) 技术发展促进了谣言传播，影响了社会、经济和政治生态系统，挑战了民主。我们提出了一种全面的辟谣过程，不仅可以检测谣言，还可以提供解释性生成内容来驳斥信息的真实性。我们设计的 “专家 - 公民集体智慧”(ECC - 通过测试时适应性进行外部分布谣言检测
一个名为 TARD 的简单而高效的测试时适应化传播图框架用于谣言检测，通过建立传播图在分布偏移情况下增强模型的适应性和鲁棒性，实验证明该框架在性能上优于现有方法。
- 大型语言模型能否在社交媒体上检测谣言？
利用大型语言模型（LLMs）进行社交媒体谣言检测的研究，提出了一种 LLM - 驱动的谣言检测方法（LeRuD），通过设计提示教给 LLMs 在新闻和评论中进行推理，并将整个传播信息分割为传播链以减轻 LLMs 的负担，通过在 Twitte - AAAI频谱对多模态表示和融合更为有效：一种多模态频谱谣言检测器
挑战：社交媒体中混合文本与图像的多模态内容对辟谣具有重大挑战。 方法：使用频率域进行多模态辟谣检测，通过频谱表示和融合提取具有辨别力的特征。结果：频率域表示和融合的模型在多模态辟谣检测中取得了令人满意的性能。
- 探究基于静态数据集训练的计算机谣言检测模型的局限性
该论文通过对内容和上下文基于模型在检测新的未知谣言方面的性能差距的深入评估，发现基于上下文的模型过于依赖来自谣言源帖的信息，忽视了上下文信息的重要作用。基于实验结果，该论文还提出了关于如何在训练谣言检测方法时最小化静态数据集中时间概念漂移影 - 多样对证证据在谣言检测中的应用
社交媒体的增长加剧了虚假消息对个人和社区的威胁，因此需要开发高效及时的谣言检测方法。本文提出了多样对立证据框架用于谣言检测 (DCE-RD)，通过利用事件图的多角度解释以及聚合多样的对立证据，实现了可解释且鲁棒的谣言检测结果。
- 知识引导下的双重一致性模型用于多模态谣言检测
提出一种基于知识引导的双一致性网络，用于检测具有多媒体内容的谣言，该网络具有两个一致性检测子网络，可同时捕获跨模态和内容 - 知识水平的不一致性，并在不同丢失视觉模态条件下实现鲁棒的多模态表示学习。该框架在三个公共实际多媒体数据集上的广泛实 - 基于二分图事件树的分层表示法用于谣言检测
本文针对社交媒体上的谣言检测问题，提出了一种以时间序列为基础的谣言检测模型 BAET，该模型利用事件树和双重图的结构表征以及基于 RNN 和注意力机制的方法来探测和解决谣言传播所涉及的网络结构，实证结果表明 BAET 相比于现有基线方法，在 - 基于对比学习的多模式短视频谣言检测系统
该研究探讨了利用多模式特征融合和引入外部知识来检测短视频假消息的方法，包括数据集构建，多模式谣言检测模型和对比学习技术，并在实际应用场景中发挥作用。
- 基于传播结构的统一对比迁移框架用于增强低资源谣言检测
本文提出了一种基于统一对比转移框架的谣言检测方法，通过语言对齐和领域自适应对比学习机制，训练多尺度图卷积网络，实现在不同语言资源匮乏的情况下检测谣言，实验证明这种方法比其他方法更具优越性。
- 无监督域间谣言检测中的对抗学习与交叉注意力
通过对抗学习方法，结合交叉注意力机制和聚类方式产生伪标签，进一步优化了跨领域谣言检测模型，实现了领域间特征对齐，并提出了一种域不变表征方法，取得了业内领先的表现。
- KDD探测流行事件类谣言检测基准测试中的伪相关性
针对传言检测中存在的因多种原因导致的假相关性跟踪误导了已有方法，本文提出了事件分离式谣言检测方法并给出了出版者样式聚合，证明了该方法在准确性、效率和普适性方面均优于现有基线。
- 基于区域增强的深度图卷积网络用于谣言检测
该研究提出了一种新颖的区域增强型深度图卷积网络（RDGCN），通过学习区域化传播模式来增强谣言的传播特征，并通过无监督学习训练传播模式，以解决社交媒体上的谣言检测问题。实验证明，该模型在谣言检测和早期谣言检测方面表现比基准方法更好。
- 通过对抗对比学习在资源受限领域中检测微博帖子中的谣言
本文提出了一种基于对抗对比学习框架的谣言检测方法，该方法通过语言对齐和新的监督对比训练范式，将从充分资源的谣言数据中学到的特征适应于低资源的数据；此外，通过对抗增强机制，进一步提高低资源谣言表示的鲁棒性，实验结果表明本文提出的方法可以更好地 - SIGIR一种基于弱监督传播模型的谣言验证和立场检测方法，利用多实例学习实现
通过多示例学习方案，我们提出了基于树结构的弱监督框架来联合分类谣言和立场，这里只需要关于真实性的包级标签。最后，我们提出了分层注意力机制来聚合二进制预测，通过在三个 Twitter 数据集上进行广泛的实验，证明了我们的模型在与现有方法相比的 - COLING基于持续提示微调的未见谣言检测
本文提出了一种 Continual Prompt-Tuning RD 框架，它可以在连续变化的社交网络环境中进行连续任务学习，避免了上下游任务的灾难性遗忘，实现了领域任务之间的双向知识传递，解决了互相干扰的问题，并通过多种技术来传递上游任务 - EMNLP使用指导索赔的分层图注意网络在 Twitter 上检测谣言
本研究提出了一种称为单元引导层次图注意力网络的方法，利用社交上下文以增强响应帖子的表征学习，并在 Twitter 上展示了其优越的谣言检测能力。
- ACL边缘增强的贝叶斯图卷积网络在谣言检测中的传播不确定性研究
本文针对社交媒体上谣言检测的不确定性问题，首次提出了通过 Edge-enhanced Bayesian Graph Convolutional Network (EBGCN) 探索传播不确定性以提高谣言检测性能，并采用新的边一致性训练框架优