Efficient Annotator Reliability Assessment and Sample Weighting for Knowledge-Based Misinformation Detection on Social Media
School of Computer Science, The University of Sheffield（计算机科学学院，谢菲尔德大学）
提出 EffiARA 框架，通过标注者间与标注者内一致性评估可靠性并进行样本加权，结合软标签训练提升基于知识的错误信息检测。
2025-02-03 cs.AI cs.LG cs.SI
Misinformation Detection on YouTube Using Video Captions
Indian Institute of Technology Goa（印度理工学院果阿分校）；University of Tartu（塔尔图大学）
数百万人使用YouTube、Facebook、Twitter和其他大众媒体等平台。由于这些平台的可访问性，它们经常被用来建立叙事，进行宣传和传播错误信息。这项工作提出了一种方法，使用国家的最先进的NLP技术提取特征的视频字幕（字幕）。为了评估我们的方法，我们利用一个公开访问和标记的数据集来将视频分类为错误信息或不。探索视频字幕背后的动机源于我们对视频元数据的分析。诸如观看次数、喜欢、不喜欢和评论等属性是无效的，因为使用这些信息很难区分视频。使用字幕数据集，所提出的模型可以将视频分为三类（错误信息，揭穿错误信息和中性），F1分数为0.85至0.90。为了强调错误信息类的相关性，我们将我们的分类问题重新表述为两类分类-错误信息与其他（揭穿错误信息和中性）。在我们的实验中，所提出的模型可以分类视频与0.92至0.95 F1-score和0.78至0.90 AUC ROC。
2021-07-02 cs.CL cs.LG
A Comparative Study of Hybrid Models in Health Misinformation Text Classification
Manchester Metropolitan University（曼彻斯特城市大学）
本研究对比多种机器学习、深度学习及预训练模型在COVID19-FNIR DATASET上的COVID-19错误信息检测性能，发现深度学习及混合模型表现最优，为健康错误信息治理提供模型选择参考。
2024-10-08 cs.AI cs.IR cs.LG
Privacy-Preserving Text Inference for Health-Misinformation Classification and Semantic Retrieval
National Research Council Canada（加拿大国家研究委员会）；Florida Atlantic University（佛罗里达大西洋大学）
本研究设计了基于CKKS同态加密的隐私保护文本推理框架，用于健康虚假信息分类与语义检索，实验验证了其预测性能与效率优势，为相关应用提供了技术支撑。
2026-11-06 cs.CR cs.LG
Explainable Misinformation Detection Across Multiple Social Media Platforms
Symbiosis Institute of Technology, Symbiosis International (Deemed University)（共生国际（被视为）大学共生技术学院）；Symbiosis Centre for Applied Artificial Intelligence, Symbiosis International (Deemed University)（共生国际（被视为）大学共生应用人工智能中心）；Princess Nourah Bint Abdulrahman University（努拉·宾特·阿卜杜勒拉赫曼公主大学）；Machine Intelligence Research Laboratories（机器智能研究实验室）
在这项工作中，两个机器学习方法，即领域自适应和可解释的人工智能的集成，提出了解决这两个问题的广义检测和可解释性。首先，领域对抗神经网络（DANN）开发了一个跨多个社交媒体平台的广义错误信息检测器，DANN用于生成具有相关但不可见数据的测试领域的分类结果。基于DANN的模型，一个传统的黑盒模型，不能证明其结果，即，目标域的标签。因此，局部可解释模型不可知解释（LIME）可解释的AI模型被应用于解释DANN模式的结果。为了证明这两种方法及其有效解释的广义检测的整合，COVID-19错误信息被认为是一个案例研究。我们用两个数据集进行了实验，即CoAID和MiSoVac，并比较了有无DANN实现的结果。DANN显著提高了准确性测量F1分类得分，并提高了准确性和AUC性能。实验结果表明，该框架在域移位的情况下表现良好，可以学习域不变特征，同时用LIME实现解释目标标签，实现可信的信息处理和提取，有效地打击错误信息。
2022-09-19 cs.AI cs.LG cs.SI
A Multi-Branch Feature Fusion Approach for Health Misinformation Detection and Propagation
Manchester Metropolitan University（曼彻斯特城市大学）
该研究提出融合ELM与TPB的多分支框架，结合Transformer语义与心理线索，检测健康虚假信息并引入CPS辅助传播风险推理，在三个基准数据集上表现优异，提升了检测性能。
2026-09-02 cs.LG cs.SI
Rumor Detection and Classification for Twitter Data
The George Washington University（乔治·华盛顿大学）
随着在线媒体数据作为信息源的普及，验证这些信息的有效性变得更加重要，但也相当具有挑战性。谣言在微博上传播了大量的错误信息。在这项研究中，我们解决两个常见的问题，在微博社会媒体的背景下。首先，我们检测谣言作为一种错误信息传播，然后我们超越检测来执行谣言分类的任务。我们使用标准数据集来探索这个问题。我们设计新的功能，并研究它们对任务的影响。我们实验了各种级别的预处理作为分类的先驱，以及分组的功能。我们在RDC任务中实现了超过0.82的f-measure在混合谣言数据集和84%的单一谣言数据集使用两步分类方法。
2019-11-25 cs.LG cs.SI stat.ML
Machine Learning-based Automatic Annotation and Detection of COVID-19 Fake News
The University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）
COVID-19影响了世界的每一个地方，尽管有关疫情的错误信息传播得比病毒更快。通过在线社交网络（OSN）传播的错误信息经常误导人们遵循正确的医疗实践。特别是，OSN机器人一直是传播虚假信息和发起网络宣传的主要来源。现有的工作忽略了在传播中充当催化剂的机器人的存在，并专注于“帖子中共享的文章”而不是帖子（文本）内容中的假新闻检测。大多数关于错误信息检测的工作都使用手动标记的数据集，这些数据集很难扩展以构建其预测模型。在这项研究中，我们克服了数据稀缺的挑战，提出了一种自动化的方法，使用Twitter数据集上经过验证的事实检查语句来标记数据。此外，我们将文本特征与用户级特征（如关注者数量和好友数量）和推文级特征（如推文中的提及次数、主题标签和网址）相结合，作为检测错误信息的额外指标。此外，我们分析了推文中机器人的存在，并表明机器人会随着时间的推移而改变其行为，并且在错误信息活动期间最活跃。我们收集了1022万条与COVID-19相关的推文，并使用我们的注释模型构建了一个广泛的原始地面实况数据集，用于分类目的。我们利用各种机器学习模型来准确地检测错误信息，我们最好的分类模型达到了精确率（82%），召回率（96%）和误报率（3.58%）。此外，我们的机器人分析表明，机器人产生了大约10%的错误信息推文。我们的方法导致虚假信息的大量曝光，从而提高了通过社交媒体平台传播的信息的可信度。
2022-09-07 cs.CY cs.LG cs.SI
Drink Bleach or Do What Now? Covid-HeRA: A Study of Risk-Informed Health Decision Making in the Presence of COVID-19 Misinformation
Virginia Tech（弗吉尼亚理工学院暨州立大学）；Twitter（推特）
鉴于与2019年冠状病毒大流行（COVID-19）相关的不准确医疗建议（如虚假药物、治疗和预防建议）的广泛传播，错误信息检测已成为研究界高度重视和感兴趣的公开问题。一些作品研究健康错误信息检测，但很少注意到错误信息帖子的感知严重性。在这项工作中，我们框架的健康误报作为一个风险评估任务。更具体地说，我们研究了每个错误信息故事的严重性以及读者如何看待这种严重性，即，受众相信的信息有多有害，以及什么类型的信号可以用来识别潜在的恶意假新闻和检测被反驳的说法。为了解决我们的研究问题，我们引入了新的基准数据集，并附有详细的数据分析。我们评估了几个传统的和国家的最先进的模型，并显示有一个显着的性能差距时，将传统的错误信息分类模型，这项任务。最后，我们提出了开放的挑战和未来的方向。
2022-04-25 cs.CL cs.CY cs.LG
Towards Automatic Detection of Misinformation in Online Medical Videos
University of Michigan（密歇根大学）；NYU Langone Health（纽约大学朗格尼医学中心）
近年来，医疗信息的在线共享显著增加，其中视频占此类在线来源的很大一部分。然而，之前的研究表明，YouTube等平台上超过一半的健康相关视频包含误导性信息和偏见。因此，至关重要的是要建立计算工具，可以帮助评估这些视频的质量，使用户可以获得准确的信息，以帮助他们的决定。在这项研究中，我们专注于YouTube视频中错误信息的自动检测。我们选择前列腺癌视频作为我们解决这个问题的切入点。本文的贡献是双重的。首先，我们介绍了一个新的数据集，由250个与前列腺癌相关的视频组成，这些视频手动注释了错误信息。其次，我们探索使用语言，声学和用户参与功能的分类模型的发展，以识别错误信息。使用一系列的消融实验，我们表明，我们可以建立自动模型的准确率高达74%，对应于76.5%的准确率和73.2%的召回错误信息的情况下。
2019-09-04 cs.LG stat.ML
BharatGather: A Culturally-Informed Benchmark Dataset for Misinformation and Fake News Detection in Indian Public Events
L3Cube-Labs（L3Cube实验室）
该研究针对印度公共事件虚假信息检测缺乏文化感知基准的问题，构建了含14646条记录的BharatGather数据集，为开发相关检测系统及评估其性能提供了基准。
2026-09-04 cs.CL cs.LG
Advanced Health Misinformation Detection Through Hybrid CNN-LSTM Models Informed by the Elaboration Likelihood Model (ELM)
Manchester Metropolitan University（曼彻斯特城市大学）
本研究基于详尽可能性模型（ELM）提取文本可读性等特征，构建混合CNN-LSTM模型用于检测社交媒体健康错误信息，显著提升了分类的准确率与可靠性。
2025-07-12 cs.AI cs.CY cs.LG
Multi-agent Systems for Misinformation Lifecycle : Detection, Correction And Source Identification
Aditya Gautam
本文提出一个覆盖虚假信息全生命周期的多智能体框架，通过五个专门智能体实现检测、纠正与来源验证，增强可扩展性、模块化和可解释性。
2025-05-23 cs.AI cs.ET cs.LG
MuMiN: A Large-Scale Multilingual Multimodal Fact-Checked Misinformation Social Network Dataset
University of Bristol（布里斯托大学）
错误信息在社交媒体和新闻文章中越来越普遍。它已经变得如此普遍，以至于我们需要利用机器学习的算法辅助来检测此类内容。训练这些机器学习模型需要足够规模、多样性和质量的数据集。然而，自动错误信息检测领域的数据集主要是单语的，包括有限数量的模态，并且没有足够的规模和质量。针对这一点，我们开发了一个数据汇集和链接系统（MuMiN-trawl），构建一个公共错误信息图数据集（MuMiN），包含丰富的社交媒体数据（推文，回复，用户，图像，文章，标签）跨越属于2.6万个Twitter线程的2100万条推文，每条推文在语义上都与数十个主题，事件和领域的1.3万个事实检查声明相关联，用41种不同的语言，跨越了十多年。该数据集通过Python包（mumin）作为异构图提供。我们提供了与涉及社交媒体的索赔的准确性相关的两个节点分类任务的基线结果，并证明这些任务具有挑战性，这两个任务的最高宏观平均F1分数分别为62.55%和61.45%。MuMiN生态系统可在https：//mumin-martet.github.io/获得，包括数据，文档，教程和排行榜。
2022-03-08 cs.CL cs.CY cs.IR
CausalMamba: Interpretable State Space Modeling for Temporal Rumor Causality
University of California, Berkeley（加州大学伯克利分校）
CausalMamba通过整合Mamba、GCNs和可微因果发现，实现对谣言传播因果关系的可解释建模与分析。
2025-11-20 cs.LG cs.SI
A Cognitively Grounded Bayesian Framework for Misinformation Susceptibility
Dept. of Computer Science, City, University of London（伦敦城市大学计算机科学系）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出BPL框架，结合理性言语行为理论，引入认知驱动的约束，用于研究虚假信息易感性、标注者分歧及信息紊乱框架下的不同脆弱性。
2026-05-10 cs.AI cs.CL cs.LG
Topological Data Mapping of Online Hate Speech, Misinformation, and General Mental Health: A Large Language Model Based Study
School of Medicine, Texas A&M University（德克萨斯农工大学医学院）
本研究利用GPT3嵌入和拓扑数据分析对Reddit帖子进行映射，揭示在线仇恨言论、错误信息与心理健康及精神疾病之间的潜在关联。
2023-09-22 cs.LG math.AT q-bio.NC
Evaluating the Performance of Large Language Models in Scientific Claim Detection and Classification
Colorado State University（科罗拉多州立大学）
本研究评估了大型语言模型在检测和分类COVID-19相关科学声明中的性能，提出其在自动化事实核查和公共卫生传播中具有显著潜力。
2024-12-21 cs.CL cs.CY cs.LG
KNH: Multi-View Modeling with K-Nearest Hyperplanes Graph for Misinformation Detection
University of California, Riverside（加州大学河滨分校）；Snap Inc.（Snap公司）
图是表示数据点及其关系的最有效的结构之一，并且它们已被广泛用于不同的应用。以前，节点之间的高阶关系已经通过称为超图的图的推广来建模。在超图中，边由一组节点定义，即，超边以展示数据之间的高阶关系。然而，节点本身没有显式的高阶泛化。在这项工作中，我们介绍了一种新的推广图，即，K-最近超平面图（KNH），其中节点由高阶欧几里得子空间定义，用于节点的多视图建模。事实上，在KNH中，节点是超平面，或者更精确地说是m平面，而不是数据点。我们在两个多方面数据集上对KNH图进行了实验评估，用于错误信息检测。实验结果表明，使用KNH图的文章的多视图建模在分类性能方面优于经典的KNN图。
2021-02-15 cs.AI cs.CY cs.LG
E-CaTCH: Event-Centric Cross-Modal Attention with Temporal Consistency and Class-Imbalance Handling for Misinformation Detection
Department of Mathematics and Statistics, American University, Washington, DC, USA（数学与统计学系，美国大学，华盛顿特区，美国）；Department of Computer Science and Mathematics, Pennsylvania State University, Harrisburg, PA, USA（计算机科学与数学系，宾夕法尼亚州立大学，哈里斯堡，宾夕法尼亚州，美国）；Department of Computer Science, American University, Washington, DC, USA（计算机科学系，美国大学，华盛顿特区，美国）
提出E-CaTCH框架，通过伪事件聚类、跨模态注意力对齐、趋势感知LSTM及类别不平衡处理，稳健检测多模态虚假信息并显著超越基线。
2025-08-15 cs.AI cs.CL cs.LG
Tracking Peaceful Tractors on Social Media -- XAI-enabled analysis of Red Fort Riots 2021
DIT University（DIT大学）
2021年1月26日，印度目睹了一场全国性的尴尬，这场尴尬来自于最不受期待的人口统计-农民。全国人民惊恐地看着一群伪爱国主义的农民冲进首都德里，破坏了民族自豪感-红堡。事件发生后的调查显示，存在一个社交媒体线索，导致这样的事件。因此，将这条线索存档以进行社交媒体分析变得至关重要和必要-不仅要了解分散在线索中的面包屑，还要可视化错误信息和假新闻在这一事件中所扮演的角色。在本文中，我们提出了tractor 2 twitter数据集，其中包含在此事件之前，期间和之后发布的大约0.05万条推文。此外，我们使用可解释的AI ML模型对我们的数据集进行基准测试，将每条推文分类为三个类别之一-虚假信息，错误信息和意见。
2021-06-13 cs.LG cs.SI
Online Auditing of Information Flow
Tel Aviv university（特拉维夫大学）
本文研究信息流的在线审计问题，提出概率马尔可夫信息传播模型并将其表述为序贯检测问题，设计了最优检测算法，在真实数据集上验证了其在准确率和检测时间上优于现有方法。
2023-10-23 cs.LG cs.SI
Toward Asymptotic Optimality: Sequential Unsupervised Regression of Density Ratio for Early Classification
NEC Corporation（日本电气股份有限公司）
提出了一种基于理论启发的序贯密度比估计（SDRE）算法，用于时间序列的早期分类。传统的SDRE算法由于内部过归一化问题而不能精确估计DR，这使得基于DR的顺序算法，顺序概率比检验（SPRT），不能达到其渐近贝叶斯最优性。两种新的SPRT算法，B2Bsqrt-TANDEM和TANDEMformer，设计，以避免过度规范化的问题，精确的无监督回归的SDR。这两种算法分别在人工序列高斯数据集和真实数据集（SiW，UCF 101和HMDB 51）上显著降低了DR估计误差和分类误差。该代码可从以下网址获得：https://github.com/Akinori-F-Ebihara/LLR_saturation_problem。
2023-02-20 cs.LG
Harnessing the Power of Text-image Contrastive Models for Automatic Detection of Online Misinformation
Carnegie Mellon University（卡内基梅隆大学）；Microsoft（微软）；Chengdu University of Information Technology（成都信息工程大学）；University at Buffalo（布法罗大学）
针对在线多模态错误信息检测缺乏标注数据的问题，提出基于文本-图像对比学习的自学习模型，在 COSMOS 上低数据场景中性能提升约10%。
2023-04-19 cs.LG
Robustness Analysis of Classification Using Recurrent Neural Networks with Perturbed Sequential Input
Lehigh University（理海大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
对于一个给定的稳定的递归神经网络（RNN），训练使用顺序输入执行分类任务，我们量化显式的鲁棒性边界作为可训练的权重矩阵的函数。顺序输入可以以各种方式被扰动，例如，流图像可能由于机器人运动或不完美的相机镜头而变形。使用稳定RNN的沃罗诺伊图和Lipschitz性质的概念，我们提供了一个彻底的分析和表征最大允许扰动，同时保证分类任务的完全准确性。我们说明和验证我们的理论结果使用地图数据集与云以及MNIST数据集。
2022-03-10 cs.LG
Latent Fact-Checking: Detecting Misinformation through Activation Engineering
PUCRS（巴西天主教大学（里约格兰德 do 苏里））；Kunumi Institute（库纳米研究所）
本研究提出基于激活工程的虚假信息检测框架，通过对比激活引出潜在空间的虚假信息方向，在多类模型和基准上实现了优于部分基线的检测性能，为可解释性驱动的虚假信息检测提供了新方向。
2026-09-07 cs.CL cs.LG
Classification of Long Sequential Data using Circular Dilated Convolutional Neural Networks
Norwegian University of Science and Technology（挪威科技大学）
长序列数据的分类是机器学习的一项重要任务，在许多应用场景中都有出现。递归神经网络、Transformers和卷积神经网络是从序列数据中学习的三种主要技术。在这些方法中，时间卷积网络（TCN），可扩展到很长的序列，在时间序列回归取得了显着的进展。然而，TCN的序列分类的性能并不令人满意，因为它们使用一个倾斜的连接协议和输出类在最后的位置。这种不对称性限制了它们对依赖于整个序列的分类的性能。在这项工作中，我们提出了一种称为圆形扩张卷积神经网络（CDIL-CNN）的对称多尺度架构，其中每个位置都有相等的机会从先前层的其他位置接收信息。我们的模型在所有位置都给出了分类逻辑，我们可以应用一个简单的集成学习来实现更好的决策。我们已经在各种长序列数据集上测试了CDIL-CNN。实验结果表明，我们的方法具有优越的性能超过许多国家的最先进的方法。
2022-05-27 cs.LG
Does Neural Complexity Improve Health Misinformation Detection? A Leakage-Controlled Cross-Corpus Benchmark
Manchester Metropolitan University（曼彻斯特城市大学）
本研究通过泄漏控制的跨语料基准比较五种神经架构、集成模型和经典基线，发现模型复杂度无稳定优势，基准构建影响更大，为健康错误信息检测的模型选择提供了可复现依据。
2026-10-06 cs.CL cs.LG
Harmful Visual Content Manipulation Matters in Misinformation Detection Under Multimedia Scenarios
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学高级技术学院）
本文提出一种新颖的多模态虚假信息检测方法，通过捕捉视觉内容操纵特征和意图特征，提升虚假信息检测性能。
2026-03-22 cs.AI cs.LG cs.MM
MisSynth: Improving MISSCI Logical Fallacies Classification with Synthetic Data
National University of Kyiv-Mohyla Academy（基辅-莫希拉学院国家大学）
针对科学错误信息识别难题，提出MisSynth流水线，利用RAG生成合成谬误数据微调LLM，使LLaMA 3.1 8B模型F1分数提升超35%。
2025-10-30 cs.AI cs.CL cs.LG
AdaBoost-assisted Extreme Learning Machine for Efficient Online Sequential Classification
National Taiwan University（台湾大学）
在本文中，我们提出了一个AdaBoost辅助的极端学习机有效的在线顺序分类（AOS-ELM）。为了在在线顺序学习场景中获得更好的准确率，我们利用代价敏感算法AdaBoost，使弱分类器多样化，并加入遗忘机制，从而稳定训练过程中的性能。因此，AOS-ELM更好地适应顺序到达的数据相比，其他基于投票的方法。实验结果表明，AOS-ELM在MNIST数据集上的准确率达到94.41%，这是原始批处理学习算法AdaBoost-ELM的理论准确率界限。此外，通过遗忘机制，在线顺序学习过程中的准确率标准差降低到8.26倍。
2019-09-16 cs.LG stat.ML
Semi-supervised Content-based Detection of Misinformation via Tensor Embeddings
UC Riverside（加州大学河滨分校）；Snap Inc.（斯纳普公司）
假新闻可能是为了促进经济、政治和社会利益而故意制造的，可能会对人类的信仰和决策产生负面影响。因此，假新闻的检测是一个新出现的问题，在过去几年中变得非常普遍。关于这个主题的大多数现有工作集中在利用大量标记（假或真）文章的手动特征提取和监督分类模型。相比之下，我们专注于基于内容的虚假新闻文章检测，同时假设我们有少量的标签，可通过手动事实检查器或自动化来源获得。我们认为，在大量内容的存在下，这是一个更现实的设置，其中大部分内容都不容易进行事实核查。为此，我们将新闻文章的集合表示为多维张量，利用张量分解来获得简洁的文章嵌入，这些嵌入捕获了关于每篇新闻文章的空间/上下文信息，并使用这些嵌入来创建一个逐篇文章的图，我们在该图上传播有限的标签。在三个真实世界数据集上的结果表明，我们的方法与现有的完全监督的模型相比表现相当或更好，因为我们使用更少的标签实现了更好的检测准确性。特别是，我们提出的方法仅使用30%的公共数据集标签就达到了75.43%的准确率，而基于SVM的分类器达到了67.43%。此外，我们的方法仅使用2%的标签在大型数据集中实现了70.92%的准确率。
2018-04-24 cs.LG cs.SI stat.AP
Online Detection of LLM-Generated Texts via Sequential Hypothesis Testing by Betting
University of California San Diego（加州大学圣地亚哥分校）
本文针对流式内容来源的在线LLM检测问题，提出基于下注的序贯假设检验算法，在控制假阳性率的同时实现快速准确的来源识别，并补充了现有离线检测方法。
2025-06-06 cs.LG
CrediBench: Building Web-Scale Network Datasets for Information Integrity
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（魁北克人工智能研究所）；University of Oxford（牛津大学）；University of California, Berkeley（加州大学伯克利分校）；AITHYRA Research Institute（AITHYRA研究院）；Université de Montréal（蒙特利尔大学）
针对现有数据集忽略网络拓扑、时序和文本内容等关键模态的问题，提出包含八个月网络图数据的CrediBench数据集，支持回归和分类任务，多模态模型显著提升性能。
2026-06-23 cs.DC cs.LG cs.SI
Addressing contingency in algorithmic (mis)information classification: Toward a responsible machine learning agenda
University of Bristol（布里斯托尔大学）
本文通过协作民族志和科学技术研究视角，批判性分析ML错误信息分类模型构建过程中的算法偶然性及其政治伦理影响，并提出负责任开发ML审核工具的初步路径。
2023-04-13 cs.AI cs.CY cs.LG
A Sequential Model for Multi-Class Classification
许多分类问题需要在大量竞争类之间进行决策。然而，这些任务并没有被通用的学习方法很好地处理，并且通常以特设的方式处理。我们提出了一种通用的方法-顺序学习模型，利用分类器顺序限制竞争类的数量，同时保持高概率，在候选人集的真实结果的存在。一些理论和计算性质的模型进行了讨论，我们认为，这些都是重要的NLP类域。在词性标注的实验中说明了该模型的优点。
2001-06-20 cs.AI cs.CL cs.LG
Optimally Efficient Sequential Calibration of Binary Classifiers to Minimize Classification Error
在这项工作中，我们的目标是通过找到一个“最优”映射到类概率，其中的“最优”映射是在这个意义上，最大限度地减少分类错误（或等价地，最大限度地提高准确性），校准的二进制分类问题的估计器的得分输出。我们表明，对于给定的目标变量和分数输出的估计，一个“最佳”的软映射，单调映射的得分值的概率，是一个硬映射的得分值映射到$0$和$1$。我们表明，类加权（其中一个类的准确性是更重要的）和样本加权（其中样本的准确分类是不同等重要的）的错误，甚至一般的线性损失，这种硬映射特性被保留。我们提出了一个顺序递归合并的方法，它产生一个“最佳”硬映射（到目前为止观察到的样本）顺序与每个传入的新样本。我们的方法具有对数的样本大小的时间复杂度，这是最佳的效率。
2021-08-19 cs.CC cs.LG
Classification with Trust: A Supervised Approach based on Sequential Ellipsoidal Partitioning
International Institute of Information Technology Bangalore（班加罗尔国际信息技术研究所）
分类器性能的标准度量，例如准确性和灵敏度，并不揭示对数据预测标签的信任或信心。虽然其他度量，如标签的计算概率或与超平面的有符号距离可以作为信任度量，但这些都受到启发式阈值的影响。本文提出了一种基于凸优化的监督分类器，该分类器将数据集顺序地划分为多个椭球，每个椭球包含几乎所有相同标签的点。通过陈述基于该划分的分类规则，然后应用贝叶斯公式来计算分配给根据这些规则确定的测试数据点的标签的信任得分。所提出的序贯椭圆分割分类器（SEP-C）暴露了数据集的不规则性，例如重叠程度，而不需要单独的探索性数据分析。没有超参数的分类规则也不受类别不平衡、底层数据分布或特征数量的影响。当数据集不是线性可分的时，SEP-C不需要使用非线性内核。SEP-C的性能以及与其他方法的比较在XOR问题、圆数据集和其他开源数据集上得到了证明。
2023-02-21 cs.LG
Text Classification: A Sequential Reading Approach
University Pierre et Marie Curie - UPMC（皮埃尔和玛丽·居里大学（UPMC））
我们建议将文本分类过程建模为顺序决策过程。在这个过程中，智能体学习将文档分类为主题，同时顺序阅读文档句子，并学习在阅读足够的信息进行决策时立即停止。所提出的算法是基于一个模型化的文本分类作为一个马尔可夫决策过程和学习使用强化学习。在四个不同的经典单标记语料库上的实验表明，该方法在大训练集上的性能优于经典SVM方法，而在小训练集上的性能更好。此外，该模型自动调整其阅读过程，以适应所提供的训练信息的数量。
2011-08-29 cs.AI cs.IR cs.LG
Unsupervised Sequence Classification using Sequential Output Statistics
Microsoft Research（微软研究院）
我们考虑使用序列输出统计来学习没有标记数据的序列分类器。该问题是非常有价值的，因为在训练数据中获得标签通常是昂贵的，而顺序输出统计（例如，语言模型）可以独立于输入数据获得，因此成本低或没有成本。为了解决这个问题，我们提出了一个无监督学习成本函数，并研究其性质。我们表明，与早期的作品相比，它是不太倾向于被困在平凡的解决方案，并避免了需要一个强大的生成模型。虽然它的函数形式的优化是困难的，随机原始-对偶梯度法的发展，有效地解决问题。在真实数据集上的实验结果表明，新的无监督学习方法给出了显着低于其他基线方法的错误。具体地说，它达到的测试误差约为完全监督学习的两倍。
2017-05-26 cs.LG
Efficient first-order predictor-corrector multiple objective optimization for fair misinformation detection
Lehigh University（理海大学）；The Ohio State University（俄亥俄州立大学）；Drake University（德雷克大学）；Cornell University（康奈尔大学）
多目标优化（MOO）旨在同时优化多个相互冲突的目标，并在机器学习中找到了重要的应用，例如最小化分类损失和公平对待不同群体的差异。在最优状态下，进一步优化一个目标必然会损害至少另一个目标，决策者需要全面探索多个最优解（称为帕累托前沿），以确定一个最终解决方案。我们解决了寻找帕累托前沿的效率。首先，使用随机多梯度下降（SMGD）从头开始寻找前沿对于大型神经网络和数据集来说是昂贵的。我们建议探索帕累托前作为一个流形从几个初始最优，基于预测校正方法。其次，对于每个探索步骤，预测器求解一个大规模线性系统，该系统在模型参数的数量上以二次方式缩放，并且需要一个反向传播来评估求解器每次迭代的二阶Hessian向量积。我们提出了一个高斯-牛顿近似，只线性缩放，每次迭代只需要一阶内积。这也允许在近似求解线性系统时在MINRES和共轭梯度法之间进行选择。这些创新使预测-校正算法在大型网络中成为可能。在多目标（公平性和准确性）错误信息检测任务上的实验表明：1）预测-校正方法可以在更短的时间内找到优于或接近SMGD的Pareto前沿; 2）所提出的一阶方法不会损害二阶方法识别的Pareto前沿的质量，同时进一步减少了运行时间。
2022-09-15 cs.CY cs.LG math.OC
Sequential Feature Classification in the Context of Redundancies
Bielefeld University（比勒费尔德大学）
所有相关特征选择的问题涉及找到保留冗余的相关特征集。有几种近似方法可以解决这个问题，但只有一种方法可以区分强相关性和弱相关性。这种方法仅限于线性问题的情况。在这项工作中，我们提出了一个新的解决方案，这种区别在非线性的情况下，通过使用随机森林模型和统计方法。
2020-04-15 cs.LG stat.ML
Neural-based classification rule learning for sequential data
IBM France Lab（IBM法国实验室）；Inria Saclay（法国国家信息与自动化研究所萨克雷分部）；IBM Research（IBM研究院）
发现序列数据分类的可解释模式对于从基因组学到欺诈检测或更一般的可解释决策的各种领域都至关重要。在本文中，我们提出了一种新的微分完全可解释的方法，发现本地和全球的模式（即捕捉相对或绝对的时间依赖性）基于规则的二进制分类。它由一个卷积二进制神经网络与一个可解释的神经过滤器和训练策略的基础上动态强制稀疏。我们证明了该方法在合成数据集和开源肽数据集上的有效性和实用性。这种端到端可区分方法的关键在于，规则中使用的表达模式是与规则本身一起学习的。
2023-02-22 cs.AI cs.LG
Sequential Convolutional Recurrent Neural Networks for Fast Automatic Modulation Classification
Science and Technology on Electronic Information Control Laboratory（电子信息控制科技实验室）
针对无线频谱监测应用，提出了一种新型高效的自动调制分类端到端学习模型，该模型能够从时域同相和正交数据中自动学习，无需手工设计专家特征。利用卷积层的直觉，池化作为前端特征提取和降维的作用，开发了顺序卷积递归神经网络，以利用卷积神经网络的并行计算能力和递归神经网络的时间敏感性。实验结果表明，该结构在信噪比大于-10 dB的范围内具有较好的分类性能，在高信噪比范围内，分类准确率从80%提高到92.1%，同时平均训练时间和预测时间分别减少了约74%和67%.通过所提出的架构学习的响应模式被可视化，以更好地理解模型的物理特性。此外，进行了比较研究，以调查各种顺序卷积递归神经网络结构设置对分类性能的影响。一个具有代表性的顺序卷积递归神经网络架构的两层卷积神经网络和随后的两层长短期记忆神经网络的开发建议的选择快速自动调制分类。
2021-01-20 cs.LG eess.SP
Datum-Wise Classification: A Sequential Approach to Sparsity
Université Pierre et Marie Curie - UPMC（皮埃尔和玛丽·居里大学（巴黎第六大学））；LIP6（巴黎第六大学计算机科学实验室）；LIFL (UMR CNRS)（法国国家科学研究中心里尔基础信息学实验室）；INRIA Lille Nord-Europe（法国国家信息与自动化研究所里尔-北欧分部）；Université de Lille（里尔大学）
我们提出了一种新的分类技术，其目的是为每个数据点选择一个适当的表示，而不是通常的方法，选择一个代表涵盖整个数据集。这种数据方面的表示是通过使用稀疏诱导经验风险，这是一个放松的标准L 0正则化的风险。分类问题被建模为一个顺序决策过程，顺序选择，为每个数据点，分类前使用的功能。Datum-Wise Classification可以自然地扩展到多类任务，我们描述了一个特定的案例，在这个案例中，我们的推理与传统的线性分类器具有相同的复杂性，同时仍然使用可变数量的特征。我们比较我们的分类器经典的L1正则化线性模型（L1-SVM和LARS）的一组常见的二进制和多类数据集，并表明，对于相同的平均数量的功能，我们可以得到改进的性能使用我们的方法。
2011-08-29 cs.AI cs.LG
Incremental Structure Discovery of Classification via Sequential Monte Carlo
Key Laboratory of High Confidence Software Technologies (Peking University)（高可信软件技术重点实验室（北京大学））；School of Computer Science, Peking University（北京大学计算机学院）
针对高斯过程分类依赖先验知识、难以适配在线数据特征偏移的问题，本文提出结合序贯蒙特卡洛的增量结构发现方法，可自动学习分类结构，在真实数据上准确率提升达10%。
2024-08-15 cs.LG stat.ML
Mining Negative Sequential Patterns to Improve Viral Genomic Feature Representation and Classification
College of Information Science and Technology, Jinan University, Guangzhou 510632, China（信息科学与技术学院，暨南大学，广州510632，中国）；College of Cyber Security, Jinan University, Guangzhou 510632, China（网络安全学院，暨南大学，广州510632，中国）
本文提出GeneNSPCla框架，通过挖掘RNA病毒基因组中的负序列模式提取判别性缺失特征，提升病毒分类准确性，实验表明在8种分类器中平均准确率提升24.75%。
2026-04-28 cs.DB cs.LG
Unsupervised Ensemble Classification with Sequential and Networked Data
University of Minnesota（明尼苏达大学）
包围学习是一种结合多种算法的机器学习范式，在各种任务中表现出了良好的性能。目前的工作重点是无监督集成分类。术语无监督是指集成组合器不知道每个分类器已经训练过的地面真实标签。数据，目前的工作介绍了一个无监督的计划，从合奏的分类器中存在的数据依赖关系的学习。两种类型的数据依赖关系被认为是：顺序数据和网络数据的依赖关系被捕获的图形。矩匹配和期望最大化算法开发上述情况下，其性能进行评估的合成和真实的数据集。
2020-12-20 cs.LG eess.SP stat.ML
Sequential Classification with Empirically Observed Statistics
University of Toronto（多伦多大学）；National University of Singapore（新加坡国立大学）
受现实世界的机器学习应用的启发，我们考虑了测试样本顺序到达的顺序设置中的统计分类任务。此外，生成的分布是未知的，只有一组经验采样序列可供决策者使用。决策者的任务是分类的测试序列，这是已知的根据任一分布生成。特别地，对于二元情况，决策者希望用最少数量的测试样本执行分类任务，因此，在每一步，她声明假设1为真，假设2为真，或者她请求额外的测试样本。我们提出了一个分类器，并分析了第一和第二类错误的概率。我们证明了显着的优势，我们的顺序计划相比，现有的非顺序分类古特曼提出的。最后，我们将我们的设置和结果扩展到多类分类场景，并再次证明了问题的可变长度性质提供了显着的优势，因为人们可以实现与古特曼的固定长度设置相同的指数集，但没有拒绝选项。
2021-02-10 cs.IT cs.LG math.IT
Sequential Binary Classification for Intrusion Detection
Ericsson（爱立信）
针对IDS数据集类别不平衡影响ML模型性能的问题，提出序列二进制分类（SBC）分层级联结构方法，实验证明该结构方法在基准IDS数据集上是处理多分类类别不平衡的可行方案。
2025-02-13 cs.CR cs.LG cs.NI
Effective Sequential Classifier Training for SVM-based Multitemporal Remote Sensing Image Classification
The University of New South Wales（新南威尔士大学）
遥感图像的爆炸性可用性已经挑战了监督分类算法，如支持向量机（SVM），由于训练样本往往是非常有限的，由于昂贵和费力的地面真实任务。多时相图像之间的时间相关性和光谱相似性为缓解这一问题提供了机会。在这项研究中，一个基于SVM的序贯分类器训练（SCT-SVM）方法提出了多时相遥感图像分类。该方法利用先前图像的分类器来减少输入图像的分类器训练所需的训练样本的数量。对于每个输入图像，首先根据一组先前分类器的时间趋势预测粗略分类器。然后，预测的分类器被微调到具有当前训练样本的更准确的位置。这种方法可以逐步应用于连续的图像数据，从每个图像中只需要少量的训练样本。Sentinel-2A多时相数据在澳大利亚的一个农业区进行了实验。实验结果表明，与现有的两种模型传递算法相比，SCT-SVM具有更好的分类精度。当训练数据不足时，与没有先前图像的辅助相比，所提出的SCT-SVM对输入图像的总体分类准确率从76.18%提高到94.02%。这些结果表明，利用先验信息从以前的图像可以提供有利的帮助，为以后的图像在多时间图像分类。
2018-01-17 cs.CV cs.LG
Longitudinal Ensemble Integration for sequential classification with multimodal data
Department of Genetics and Genomic Sciences, Icahn School of Medicine at Mount Sinai（遗传学与基因组科学系，伊坎医学院-西奈山医院）；Department of Computer Science and Engineering, University of North Texas（计算机科学与工程系，北德克萨斯大学）；Department of Radiology, Keck School of Medicine, University of Southern California（放射学系，凯克医学院，南加州大学）
本研究提出纵向集成集成（LEI）框架，利用多模态数据的中间预测进行序列分类，在痴呆早期检测中优于现有方法，并能识别随时间一致重要的特征。
2025-07-08 cs.AI cs.LG
An Adaptive Online HDP-HMM for Segmentation and Classification of Sequential Data
University of Technology, Sydney（悉尼科技大学）
近年来，对理解顺序数据的期望和需求一直在增加，特别是对诸如患者监测、理解日常活动、视频监控、股票市场等顺序上下文的兴趣。随着数据的不断流动，关键是要对动态观测进行分类和分段，而不限于严格的类别数量。此外，该模型需要能够更新其参数，以符合可能的演变。这个有趣的问题，但是，没有充分解决的文献，因为许多研究集中在离线分类在一个预先定义的类集。在本文中，我们提出了一个原则性的解决方案，通过引入一个自适应在线系统的基础上马尔可夫切换模型与分层狄利克雷过程先验。这种无限自适应在线方法能够在无限数量的类上对序列数据进行分割和分类，同时满足流上下文的内存和延迟约束。通过引入学习率来进一步增强模型，负责平衡模型维持其先前学习（参数）或适应新流式观测的程度。在固定和不断发展的合成数据和两个视频数据集TUM Assistive Kitchen和collatedWeizmann的几个变体上的实验结果显示出在分割和分类方面的出色性能，特别是对于具有变化的分布和/或包含新的、看不见的类的进化序列。
2015-03-13 cs.LG stat.ML
Sequential Short-Text Classification with Recurrent and Convolutional Neural Networks
MIT（麻省理工学院）
最近的方法基于人工神经网络（ANN）的短文本分类显示出可喜的成果。然而，许多短文本是按顺序出现的（例如，文档中的句子或对话中的话语），并且大多数现有的基于ANN的系统在对后续文本进行分类时不利用前面的短文本。在这项工作中，我们提出了一个基于递归神经网络和卷积神经网络的模型，它结合了前面的短文本。我们的模型在三个不同的对话行为预测数据集上实现了最先进的结果。
2016-03-12 cs.AI cs.CL cs.LG
