Multi-view autoencoders for Fake News Detection
Centro de Informática Universidade Federal de Pernambuco(计算机中心 巴西佩纳布卢克联邦大学);École de technologie supérieure Université du Québec(高等技术学院魁北克大学)
本文提出使用多视图自编码器整合多种特征提取技术生成联合特征表示,用于假新闻检测,实验证明该方法显著提升了分类性能,且选择视图子集在准确率和计算量上更具优势。
2025-04-10 cs.AI cs.CL cs.LG
"This is Fake! Shared it by Mistake": Assessing the Intent of Fake News Spreaders
Syracuse University(雪城大学);Illinois Institute of Technology(伊利诺伊理工学院);Arizona State University(亚利桑那州立大学)
个人可能会被假新闻误导,并在不知道它是假的情况下无意中传播。这种现象经常被观察到,但尚未进行调查。我们这项工作的目的是评估假新闻传播者的意图。为了区分有意传播和无意传播,我们研究了无意传播的心理学解释。在此基础上,我们提出了一个影响图,利用它来评估假新闻传播者的意图。我们广泛的实验表明,评估的意图可以帮助显着区分有意和无意的假新闻传播者。此外,估计的意图可以显着改善当前检测假新闻的技术。据我们所知,这是第一个对个人在假新闻传播中的意图进行建模的工作。
2022-02-13 cs.AI cs.SI
Connecting the Dots Between Fact Verification and Fake News Detection
Beihang University(北京航空航天大学)
事实验证模型在过去的两年中取得了快速的发展,随着BERT等预训练语言模型的发展和FEVER等大规模数据集的发布。然而,假新闻检测的挑战性问题并没有受益于事实验证模型的改进,这与假新闻检测密切相关。在本文中,我们提出了一种简单而有效的方法来连接事实验证和假新闻检测之间的点。我们的方法首先采用了一个文本摘要模型预先训练的新闻语料库,总结成一个简短的声明长新闻文章。然后,我们使用在FEVER数据集上预先训练的事实验证模型来检测输入的新闻文章是真的还是假的。我们的方法利用了最近成功的事实验证模型,并实现了zero-shot假新闻检测,减轻了大规模训练数据训练假新闻检测模型的需求。在FakenewsNet上的实验结果证明了该方法的有效性。
2020-10-11 cs.AI cs.CL
Arabic Fake News Detection Based on Deep Contextualized Embedding Models
University of Sharjah(沙迦大学);Western University(韦仕敦大学)
社交媒体正成为许多人的新闻来源,因为它的易用性和使用自由。因此,假新闻无论其可信度如何,都在迅速而轻松地传播,特别是在过去十年中。假新闻出版商利用新冠肺炎疫情和美国总统选举等关键情况对社会产生负面影响。假新闻可以严重影响社会的许多领域,包括政治,金融,体育等,许多研究已经进行,以帮助检测假新闻的英语,但研究进行的假新闻检测在阿拉伯语是稀缺的。我们的贡献是双重的:首先,我们构建了一个庞大而多样化的阿拉伯语假新闻数据集。其次,我们开发并评估了基于transformer的分类器,以识别假新闻,同时利用八种最先进的阿拉伯语上下文嵌入模型。这些模型中的大多数以前都没有用于阿拉伯语假新闻检测。我们对最先进的阿拉伯语语境化嵌入模型进行了全面分析,并与类似的假新闻检测系统进行了比较。实验结果证实,这些国家的最先进的模型是强大的,准确率超过98%。
2022-05-06 cs.AI cs.CL
Fake News Detection on Social Media: A Data Mining Perspective
Arizona State University(亚利桑那州立大学);Charles River Analytics(查尔斯河分析公司);Michigan State University(密歇根州立大学)
社交媒体对新闻消费来说是一把双刃剑。一方面,它的低成本,容易获取和快速传播的信息导致人们从社交媒体中寻找和消费新闻。另一方面,它使“假新闻”得以广泛传播,即,低质量新闻,故意虚假信息。假新闻的广泛传播有可能对个人和社会产生极其负面的影响。因此,社交媒体上的假新闻检测最近成为一项新兴的研究,引起了极大的关注。社交媒体上的假新闻检测呈现出独特的特征和挑战,使得传统新闻媒体的现有检测算法无效或不适用。首先,假新闻是故意编写的,以误导读者相信虚假信息,这使得基于新闻内容的检测变得困难和重要;因此,我们需要包括辅助信息,例如社交媒体上的用户社交活动,以帮助做出决定。其次,利用这些辅助信息本身就具有挑战性,因为用户与假新闻的社交活动会产生大量、不完整、非结构化和嘈杂的数据。由于社交媒体上的假新闻检测问题既具有挑战性又具有相关性,我们进行了这项调查,以进一步促进对该问题的研究。本文对社交媒体上的假新闻检测进行了全面的综述,包括心理学和社会学理论对假新闻的刻画、数据采掘视角下的现有算法、评价指标和代表性数据集。我们还讨论了社交媒体上虚假新闻检测的相关研究领域,开放问题和未来的研究方向。
2017-09-03 cs.AI cs.SI
Fake News Detection with Heterogeneous Transformer
The Hong Kong University of Science and Technology(香港科技大学)
假新闻在社交网络上的传播引起了公众对有效和高效的假新闻检测方法的需求。一般来说,社交网络上的假新闻是多模态的,与用户和帖子等其他实体有各种联系。社交网络中新闻内容的异质性以及与其他实体的关系给设计一个模型带来了挑战,该模型可以全面捕获社交网络中实体的局部多模态语义和传播模式的全局结构表示,从而有效准确地分类假新闻。本文提出了一种新的基于Transformer的模型:HetTransformer,利用Transformer的编码器-解码器结构捕获新闻传播模式的结构信息,解决了社交网络上的假新闻检测问题。我们首先捕获本地异构语义的新闻,帖子,和用户实体在社交网络。然后,我们应用Transformer来捕获社交网络中传播模式的全局结构表示,以用于假新闻检测。在三个真实世界数据集上的实验表明,我们的模型能够在假新闻检测中超越最先进的基线。
2022-05-06 cs.AI cs.SI
A Heuristic-driven Uncertainty based Ensemble Framework for Fake News Detection in Tweets and News Articles
Razorthink Inc(Razorthink 公司);IIT Madras(印度理工学院马德拉斯分校)
在过去的几十年里,社交媒体的重要性增加了许多倍,因为它可以帮助来自世界上最偏远角落的人们保持联系。随着技术的出现,数字媒体变得比以往任何时候都更加相关和广泛使用,与此同时,需要立即关注的假新闻和推文的传播死灰复燃。在本文中,我们描述了一种新型的假新闻检测系统,该系统可以自动识别新闻项目是“真”还是“假”,作为我们在CONSTRAINT COVID-19 Fake News Detection in English challenge中工作的扩展。我们使用了一个集成模型,该模型由预训练模型和统计特征融合网络组成,以及一种新的启发式算法,该算法通过将新闻项或推文中存在的各种属性(如来源,用户名句柄,URL域和作者)作为统计特征。我们提出的框架还量化了可靠的预测不确定性以及分类任务的适当类输出置信水平。我们已经在COVID-19 Fake News数据集和FakeNewsNet数据集上评估了我们的结果,以显示所提出的算法在检测短新闻内容以及新闻文章中的假新闻方面的有效性。我们在COVID-19数据集上获得了0.9892的最佳F1分数,在FakeNewsNet数据集上获得了0.9073的F1分数。
2021-12-13 cs.AI cs.CL
Debunking Disinformation: Revolutionizing Truth with NLP in Fake News Detection
本文探讨利用自然语言处理技术检测假新闻的方法,分析其挑战与机遇,以对抗虚假信息传播。
2023-11-15 cs.AI
Adapting Fake News Detection to the Era of Large Language Models
Cornell University(康奈尔大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对大语言模型时代现有假新闻检测研究的假设偏差问题,本文通过多场景综合评估,发现仅人类文本训练的检测器可检测机器假新闻但反向不可,且训练集机器新闻占比应低于测试集,据此提出稳健检测器的开发策略。
2024-04-13 cs.AI cs.CL
Blessing or curse? A survey on the Impact of Generative AI on Fake News
Microsoft(微软公司);Frankfurt University of Applied Sciences(法兰克福应用科学大学);IMT Atlantique(法国大西洋高等矿业电信学院)
本文综述生成式AI在假新闻生成与检测中的双重作用,系统梳理使能技术、生成、社交媒体传播、检测及深度伪造五类研究,并指出当前挑战。
2024-12-27 cs.AI cs.CL
FAKEDETECTOR: Effective Fake News Detection with Deep Diffusive Neural Network
Florida State University(佛罗里达州立大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
近年来,由于在线社交网络的蓬勃发展,出于各种商业和政治目的的假新闻在网络世界中大量出现并广泛传播。通过欺骗性的话语,在线社交网络用户很容易被这些在线假新闻所感染,这已经给线下社会带来了巨大的影响。提高在线社交网络中信息可信度的一个重要目标是及时识别假新闻。本文旨在研究从在线社交网络中检测假新闻文章、创作者和主题的原理、方法和算法,并评估相应的性能。本文讨论了假新闻的未知特征以及新闻文章、创作者和主题之间的多种联系所带来的挑战。本文介绍了一种新的自动假新闻可信度推理模型FAKEDETECTOR。基于从文本信息中提取的一组显式和潜在特征,FAKEDETECTOR构建了一个深度扩散网络模型,同时学习新闻文章,创作者和主题的表示。在真实世界的假新闻数据集上进行了大量的实验,将FAKEDETECTOR与几种最先进的模型进行了比较,实验结果证明了所提出的模型的有效性。
2019-08-10 cs.AI cs.NE cs.SI
The Stepwise Deception: Simulating the Evolution from True News to Fake News with LLM Agents
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学北京校区人工智能学院);MBZUAI;Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MoE(下一代智能搜索与推荐工程研究中心,教育部);School of Artifcial Intelligence, Wuhan University(武汉大学人工智能学院)
提出基于LLM智能体的FUSE框架,模拟真实新闻在社交互动中逐步扭曲为假新闻的演化过程,并开发FUSE-EVAL评估真相偏差,实验证明其能有效重现假新闻演化场景并支持早期干预。
2025-05-28 cs.AI cs.SI
Towards Smart Fake News Detection Through Explainable AI
National Institute of Technology Calicut(国家理工学院卡利卡特分校)
由于社交媒体网站的受欢迎程度,人们现在将其视为唯一的信息来源。大多数人通过社交媒体获取新闻。与此同时,近年来假新闻在社交媒体平台上呈指数级增长。几种基于人工智能的检测假新闻的解决方案已经显示出令人鼓舞的结果。另一方面,这些检测系统缺乏解释能力,即,解释他们为什么做出预测的能力。本文重点介绍了可解释的假新闻检测的最新技术水平。我们讨论了当前基于人工智能的可解释假新闻检测模型的缺陷,并介绍了我们正在进行的多模态可解释假新闻检测模型的研究。
2022-07-23 cs.AI cs.IR cs.SI
A Survey of Fake News: Fundamental Theories, Detection Methods, and Opportunities
Syracuse University(雪城大学)
假新闻的爆炸性增长及其对民主,正义和公众信任的侵蚀增加了对假新闻检测和干预的需求。该调查从四个方面对可以检测假新闻的方法进行了审查和评估:(1)它所携带的虚假知识,(2)它的写作风格,(3)它的传播模式,以及(4)它的来源的可信度。该调查还强调了一些潜在的研究任务的基础上审查。特别是,我们确定并详细说明了各个学科的相关基础理论,以鼓励对假新闻进行跨学科研究。我们希望这项调查能够促进计算机和信息科学、社会科学、政治学和新闻学专家之间的合作,研究假新闻,这些努力可以导致不仅有效而且更重要的是可以解释的假新闻检测。
2020-07-17 cs.AI cs.CL cs.SI
A Survey on Natural Language Processing for Fake News Detection
College of Arts and Sciences, The University of Tokyo(东京大学文理学院);University of California, Santa Barbara(加州大学圣巴巴拉分校)
虚假新闻检测是自然语言处理中的一个关键而又具有挑战性的问题。社交网络平台的迅速崛起不仅极大地提高了信息的可访问性,也加速了假新闻的传播。因此,假新闻的影响越来越大,有时甚至延伸到线下世界,威胁到公共安全。鉴于大量的Web内容,自动虚假新闻检测是一个实用的NLP问题,对所有在线内容提供方都有用,以减少人类检测和防止虚假新闻传播的时间和精力。在本文中,我们描述了假新闻检测所面临的挑战,并描述了相关任务。我们系统地回顾和比较了为这项任务开发的任务公式,数据集和NLP解决方案,并讨论了它们的潜力和局限性。基于我们的见解,我们概述了有前途的研究方向,包括更细粒度,详细,公平和实用的检测模型。我们还强调了假新闻检测和其他相关任务之间的区别,以及NLP解决方案对假新闻检测的重要性。
2020-03-05 cs.AI cs.CL
Less is More: Unseen Domain Fake News Detection via Causal Propagation Substructures
The University of Melbourne(墨尔本大学);Data61, CSIRO(联邦科学与工业研究组织数据61研究所)
提出因果子图导向的领域自适应假新闻检测模型CSDA,通过提取传播图中的因果子结构增强零样本检测,并在少样本场景下利用对比学习提升性能,在OOD假新闻检测上准确率提升7%至16%。
2024-11-14 cs.AI cs.CL cs.CY
MegaFake: A Theory-Driven Dataset of Fake News Generated by Large Language Models
The Hong Kong Polytechnic University(香港理工大学);Harbin Institute of Technology(哈尔滨工业大学)
本文提出MegaFake数据集,通过理论框架指导生成虚假新闻,提升虚假新闻检测的理论和实践能力。
2026-04-11 cs.AI cs.CL
MCFEND: A Multi-source Benchmark Dataset for Chinese Fake News Detection
Hong Kong Baptist University(香港浸会大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Beijing Normal University-Hong Kong Baptist University United International College(北京师范大学-香港浸会大学联合国际学院);The University of Hong Kong(香港大学)
针对现有中文假新闻检测数据集仅限单一来源导致跨源性能下降的问题,本文构建了首个多源基准数据集MCFEND,并全面评估了现有方法在跨源、多源和未见源场景下的表现。
2024-07-24 cs.AI cs.CL
DEAP-FAKED: Knowledge Graph based Approach for Fake News Detection
Outplay(Outplay公司);University of Tartu(塔尔图大学)
最近,社交媒体平台上的假新闻吸引了大量关注,主要是与政治(2016年美国总统选举),医疗保健(COVID-19期间的信息流行病)相关的事件,仅举几例。已经提出了各种方法来检测假新闻。这些方法包括利用与网络分析、自然语言处理(NLP)和图神经网络(GNN)的使用相关的技术。在这项工作中,我们提出了DEAP-FAKED,一个用于识别假新闻的知识图谱FAKe nEws检测框架。我们的方法是NLP(我们对新闻内容进行编码)和GNN技术(我们对知识图谱(KG)进行编码)的组合。各种各样的这些编码提供了一个互补的优势,我们的检测器。我们使用两个公开的数据集来评估我们的框架,这些数据集包含来自政治,商业,技术和医疗保健等领域的文章。作为数据集预处理的一部分,我们还消除了偏见,例如文章的来源,这可能会影响模型的性能。DEAP-FAKED在两个数据集上获得了88%和78%的F1分数,分别提高了21%和3%,这表明了该方法的有效性。
2022-11-25 cs.AI cs.CL
FakeWatch ElectionShield: A Benchmarking Framework to Detect Fake News for Credible US Elections
Vector Institute(矢量研究院);Royal Bank of Canada(加拿大皇家银行)
本文提出 FakeWatch ElectionShield 框架,结合语言模型与人工验证构建北美选举新闻数据集,并系统比较传统机器学习与先进语言模型,为选举假新闻检测提供基准。
2023-12-08 cs.AI cs.CL
Development of Fake News Model using Machine Learning through Natural Language Processing
University of Camerino(卡梅里诺大学)
假新闻检测研究仍处于早期阶段,因为这是一个相对较新的现象,引起了社会的兴趣。机器学习有助于解决复杂的问题,并在当今构建人工智能系统,特别是在我们拥有隐性知识或未知知识的情况下。我们使用了机器学习算法来识别假新闻;我们应用了三种分类器:被动攻击、朴素贝叶斯和支持向量机。简单的分类在假新闻检测中并不完全正确,因为分类方法并不是专门针对假新闻的。随着机器学习和基于文本的处理的集成,我们可以检测假新闻并构建分类器,可以对新闻数据进行分类。文本分类主要是提取文本的各种特征,然后将这些特征结合到分类中。这一领域面临的最大挑战是,由于语料库的不可用,缺乏一种有效的方法来区分假冒和非假冒。我们在两个公开的数据集上应用了三种不同的机器学习分类器。基于现有数据集的实验分析表明,一个非常令人鼓舞的和改进的性能。
2022-01-19 cs.AI cs.CL
MDFEND: Multi-domain Fake News Detection
Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS(中国科学院智能信息处理重点实验室,中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);State Key Laboratory of Media Convergence Production Technology and Systems(媒体融合生产技术与系统国家重点实验室)
假新闻在各个领域的社交媒体上广泛传播,导致政治,灾难和金融等多方面的现实威胁。现有的方法大多集中在单域虚假新闻检测(SFND),这导致这些方法应用于多域虚假新闻检测时性能不令人满意。作为一个新兴领域,多领域虚假新闻检测(MFND)越来越受到关注。然而,数据分布,如词频和传播模式,从域到域,即域移位。面对严重领域转移的挑战,现有的假新闻检测技术在多领域场景中表现不佳。因此,设计一种专门的MFND模型是非常必要的。在本文中,我们首先为MFND设计了一个带有域标签的假新闻数据集基准,即微博21,它由来自9个不同领域的4,488条假新闻和4,640条真实新闻组成。我们进一步提出了一个有效的多域假新闻检测模型(MDFEND),利用域门聚合由混合专家模型提取的多个表示。实验结果表明,MDFEND能够显著提高多领域虚假新闻检测的性能。我们的数据集和代码可以在https://github.com/kennqiang/MDFEND-Weibo21上找到。
2022-01-04 cs.AI cs.CL cs.SI
MPPFND: A Dataset and Analysis of Detecting Fake News with Multi-Platform Propagation
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院);Division of Emerging Interdisciplinary Areas, Hong Kong University of Science and Technology(香港科技大学新兴交叉学科 division)
本文提出MPPFND数据集和APSL模型,利用图神经网络提取多平台社会背景特征,通过考虑跨平台传播差异提升假新闻检测性能。
2025-05-16 cs.AI cs.SI
Out-of-distribution Evidence-aware Fake News Detection via Dual Adversarial Debiasing
Institute of Automation, Chinese Academy of Sciences (CASIA)(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对证据感知假新闻检测模型存在内容偏差、难以泛化到分布外场景的问题,提出即插即用的双对抗学习方法,通过双向去偏判别器减轻偏差,在多种骨干网络和OOD设置下均取得更优性能。
2024-04-15 cs.AI cs.CL
Mining User-aware Multi-relations for Fake News Detection in Large Scale Online Social Networks
Macquarie University(麦考瑞大学)
用户参与创建和传播新闻是在线社交网络中虚假新闻检测的一个重要方面。直觉上,可信的用户更有可能分享可信的新闻,而不可信的用户传播不可信新闻的概率更高。在本文中,我们构造了一个双层图(即,新闻层和用户层),以提取社交网络中新闻和用户的多种关系,从而导出用于检测假新闻的丰富信息。在双层图的基础上,提出了一个假新闻检测模型Us-DeFake。在新闻层学习新闻的传播特征,在用户层学习用户的交互特征。通过图中的中间层,Us-DeFake将包含可信度信息的用户信号融合到新闻特征中,为假新闻检测提供独特的用户感知的新闻嵌入。训练过程在图采样器获得的多个双层子图上进行,以在大规模社交网络中缩放Us-DeFake。在真实数据集上的大量实验表明了Us-DeFake的优越性,其性能优于所有基线,并且通过交互关系学习的用户可信度信号可以显着提高我们模型的性能。
2023-01-04 cs.AI cs.SI
From Deception to Detection: The Dual Roles of Large Language Models in Fake News
University of Montreal(蒙特利尔大学)
本文探讨了大型语言模型(LLMs)在假新闻中的双重角色,分析了七个模型生成带偏见假新闻的能力及检测假新闻的表现,发现部分模型能轻易生成假新闻且更难被检测,而大模型检测能力更强,且LLM生成的解释有助于用户识别假新闻。
2024-09-25 cs.AI cs.CL
Where Are the Facts? Searching for Fact-checked Information to Alleviate the Spread of Fake News
Worcester Polytechnic Institute(伍斯特理工学院)
尽管学术界和工业界已经开发了许多事实核查系统,但假新闻仍在社交媒体上激增。这些系统主要侧重于事实核查,但通常忽视了作为错误信息传播主要驱动力的在线用户。我们如何使用经过事实核查的信息来提高用户对他们所接触到的假新闻的意识?如何阻止用户传播假新闻?为了解决这些问题,我们提出了一个新的框架来搜索事实核查的文章,它解决了在线用户发布的原始推文(可能包含错误信息)的内容。该搜索可以直接警告假新闻发布者和在线用户(例如,发布者的追随者)有关错误信息,阻止他们传播假新闻,并在社交媒体上扩大经验证的内容。我们的框架使用文本和图像来搜索事实检查文章,并在现实世界的数据集上取得了令人鼓舞的结果。我们的代码和数据集在https://github.com/nguyenvo09/EMNLP2020上发布。
2020-10-07 cs.AI cs.IR
Unseen Fake News Detection Through Casual Debiasing
The University of Melbourne(墨尔本大学);Data61, CSIRO(澳大利亚联邦科学与工业研究组织Data61)
针对现有假新闻检测方法难以应对未见新闻的问题,通过因果分析识别训练数据中的领域偏差,提出基于分类置信度重加权和传播结构正则化的去偏方法FNDCD,有效提升了模型在跨领域未见假新闻上的检测泛化能力。
2025-03-06 cs.AI cs.SI
Adversarial Style Augmentation via Large Language Model for Robust Fake News Detection
KAIST(韩国科学技术院);Microsoft Research Asia(微软亚洲研究院);MPI-SP(马克斯·普朗克软件系统研究所)
针对风格转换攻击导致假新闻检测鲁棒性不足的问题,提出AdStyle对抗式风格增强方法,通过LLM生成多样且具挑战性的风格转换攻击提示训练检测器,显著提升其在基准数据集上的鲁棒性与检测性能。
2025-04-18 cs.AI cs.CL
Fake News Detectors are Biased against Texts Generated by Large Language Models
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Monash University(莫纳什大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61部门)
本文发现现有假新闻检测器对LLM生成内容存在系统性偏见,并提出基于LLM改写真实新闻的对抗训练方法以提升检测准确率,同时发布GossipCop++和PolitiFact++两个综合数据集。
2026-11-16 cs.AI cs.CL
Methods of Informational Trends Analytics and Fake News Detection on Twitter
Ivan Franko National University of Lviv(利沃夫伊万·弗兰科国立大学)
在本文中,不同的方法来分析Twitter上的新闻趋势被认为是。对于分析和案例研究,研究了2022年俄罗斯入侵乌克兰造成的Twitter上的信息趋势。分析了一种用于虚假新闻检测的深度学习方法。利用频繁项集理论和关联规则、图论对新闻动态进行了分析。
2022-04-11 cs.AI cs.CL cs.SI
Meta-Path-based Fake News Detection Leveraging Multi-level Social Context Information
Korea Advanced Institute of Science and Technology(韩国科学技术院)
假新闻,即以新闻形式呈现的虚假或误导性信息,对社会的许多方面都有重大影响,例如在政治或医疗保健领域。由于假新闻的欺骗性,仅将自然语言处理(NLP)技术应用于新闻内容是不够的。多层次的社会背景信息(新闻发布者和社会媒体中的参与用户)和用户参与的时间信息是假新闻检测的重要信息。然而,这些信息的正确使用带来了三个长期的困难:1)多层次的社会背景信息很难在不丢失信息的情况下使用,2)时间信息很难与多层次的社会背景信息一起使用,3)多层次的社会背景和时间信息的新闻表示很难以端到端的方式学习。为了克服这三个困难,我们提出了一个新的假新闻检测框架Hetero-SCAN。我们使用元路径提取有意义的多层次的社会背景信息,没有损失。元路径,连接两个节点类型的复合关系,提出了在异构图中捕捉语义。然后,我们提出元路径实例编码和聚合方法来捕获用户参与的时间信息,并产生端到端的新闻表示。根据我们的实验,Hetero-SCAN比最先进的假新闻检测方法具有显着的性能改进。
2021-11-17 cs.AI cs.CY cs.SI
From Cheap Fakes to Pure Synthesis: Addressing the New Era of T2V Fake News Videos
Hong Kong Baptist University(香港浸会大学);Beijing Normal University(北京师范大学)
该研究针对纯合成T2V假新闻视频带来的新威胁,构建了首个纯合成假新闻视频数据集,提出R-T2V框架,在10种主流基准上取得最优检测性能。
2026-08-10 cs.AI cs.CV cs.MM
Fake News in Social Networks
University of St. Gallen(圣加尔大学);University of Oxford(牛津大学);Frankfurt School of Finance and Management(法兰克福金融与管理学院);Swiss Finance Institute(瑞士金融研究所)
本文提出多智能体强化学习作为建模社交媒体中虚假新闻的新方法,发现针对高连接性和弱隐私信息的人群更有效,且信息分散传播比集中传播更有效,同时平衡网络中虚假新闻传播较弱,通过人类实验验证了模型的适用性。
2025-10-12 cs.AI cs.MA cs.SI