假新闻以前所未有的速度传播,到达全球受众,通过社交媒体平台将用户和社区置于极大的风险之中。基于深度学习的模型在对感兴趣事件上的大量标记数据进行训练时表现出良好的性能,而模型在其他事件上的性能则由于域漂移而下降。因此,现有的突发事件假新闻检测方法面临着重大挑战,难以获得大规模标记数据集。此外,添加来自新突发事件的知识需要从头构建一个新模型或继续微调模型,这对于现实世界的设置可能是具有挑战性的、昂贵的和不现实的。为了应对这些挑战,我们提出了端到端假新闻检测框架MetaFEND,该框架能够快速学习并检测突发事件中的假新闻,并且有一些经过验证的帖子。具体来说,该模型将元学习和神经过程方法集成在一起,以享受这些方法的好处。特别提出了标签嵌入模块和硬注意力机制,通过处理分类信息和修剪不相关的帖子来提高效率。在从Twitter和微博收集的多媒体数据集上进行了广泛的实验。实验结果表明,该模型能够有效地检测出未见事件的假新闻,并优于现有的方法。

https://www.zhuanzhi.ai/paper/06fdf27a554856958112b948ec9787e9

成为VIP会员查看完整内容
33

相关内容

专知会员服务
25+阅读 · 2021年8月7日
专知会员服务
45+阅读 · 2021年6月20日
专知会员服务
37+阅读 · 2021年5月28日
专知会员服务
19+阅读 · 2021年5月4日
【SIGIR2021】基于嵌入的增量式时序知识图谱补全框架
专知会员服务
61+阅读 · 2021年4月21日
专知会员服务
19+阅读 · 2021年3月12日
【WWW2021】通过异构GNN知识保留的增量社会事件检测
专知会员服务
20+阅读 · 2021年1月24日
【WWW2021】挖掘双重情感的假新闻检测
专知会员服务
36+阅读 · 2021年1月18日
【ACM MM2020】对偶注意力GAN语义图像合成
专知会员服务
35+阅读 · 2020年9月2日
独家 | 基于NLP的COVID-19虚假新闻检测(附代码)
基于图卷积文本模型的跨模态信息检索
专知
9+阅读 · 2019年8月3日
热点! 虚假新闻检测综述
专知
111+阅读 · 2019年2月26日
一文看懂虚假新闻检测(附数据集 & 论文推荐)
PaperWeekly
36+阅读 · 2019年2月19日
Meta-Learning 元学习:学会快速学习
GAN生成式对抗网络
19+阅读 · 2018年12月8日
Arxiv
15+阅读 · 2021年6月27日
VIP会员
相关VIP内容
专知会员服务
25+阅读 · 2021年8月7日
专知会员服务
45+阅读 · 2021年6月20日
专知会员服务
37+阅读 · 2021年5月28日
专知会员服务
19+阅读 · 2021年5月4日
【SIGIR2021】基于嵌入的增量式时序知识图谱补全框架
专知会员服务
61+阅读 · 2021年4月21日
专知会员服务
19+阅读 · 2021年3月12日
【WWW2021】通过异构GNN知识保留的增量社会事件检测
专知会员服务
20+阅读 · 2021年1月24日
【WWW2021】挖掘双重情感的假新闻检测
专知会员服务
36+阅读 · 2021年1月18日
【ACM MM2020】对偶注意力GAN语义图像合成
专知会员服务
35+阅读 · 2020年9月2日
相关资讯
独家 | 基于NLP的COVID-19虚假新闻检测(附代码)
基于图卷积文本模型的跨模态信息检索
专知
9+阅读 · 2019年8月3日
热点! 虚假新闻检测综述
专知
111+阅读 · 2019年2月26日
一文看懂虚假新闻检测(附数据集 & 论文推荐)
PaperWeekly
36+阅读 · 2019年2月19日
Meta-Learning 元学习:学会快速学习
GAN生成式对抗网络
19+阅读 · 2018年12月8日
微信扫码咨询专知VIP会员