| 标题 |
 CAF-ODNN: Complementary attention fusion with optimized deep neural network for multimodal fake news detection CAF-ODNN：基于优化深度神经网络的互补注意融合多模态假新闻检测
相关领域
计算机科学
人工智能
串联（数学）
深度学习
特征（语言学）
语义学（计算机科学）
特征提取
模式识别（心理学）
规范化（社会学）
情态动词
模式
机器学习
哲学
社会学
组合数学
语言学
社会科学
化学
高分子化学
程序设计语言
数学
人类学
|
| 网址 | |
| DOI | |
| 其它 | 假新闻是一个真正的问题;不幸的是，情况似乎变得更糟了。尽管一些虚假新闻检测方法取得了重大进展，但当前的多模态方法直接集成跨模态特征，而不考虑不相关的语义表示可能会将噪声引入多模态特征。这种现象通过掩盖文本和图像之间的细微差异来降低模型的准确性，这些差异对于识别假新闻至关重要。不相关的语义也会降低检测准确性，因为识别通常依赖于这些细微的差异。为了应对这些挑战，我们提出了一个统一的 C补充 Attention Fusion 和一个 Optimized Deep Neural Network （CAF-ODNN），它捕获了微妙的跨模态关系以进行多模态假新闻检测。CAF 引入了图像标题以在语义上表示图像，允许基于缩放点积的模态之间进行双向互补关注，以学习细粒度的相关性。它结合了一个专用的对齐和归一化组件，以根据通道统计数据校准融合表示，确保在交互过程中跨模态保留语义，从而改进现有融合方法中使用的简单串联。为了改进特征提取，实施了利用组合学习的优化深度神经网络 （ODNN）。ODNN 设计有三个全连接层，用于从 CAF 融合特征中学习更高级别的表示。然后，在标准随机搜索技术之外系统地调整模型参数，以识别配置，最大限度地提高特征质量和检测准确性。我们提出的方法在四个真实数据集的标准指标上优于可比方法，突出了互补注意力融合和优化在识别假新闻方面的重要性。 |
| 求助人 | |
| 下载 | 该求助完结已超 24 小时，文件已从服务器自动删除，无法下载。 |
|
温馨提示：该文献已被科研通 学术中心 收录，前往查看
科研通『学术中心』是文献索引库，收集文献的基本信息（如标题、摘要、期刊、作者、被引量等），不提供下载功能。如需下载文献全文，请通过文献求助获取。
|
bc
Oracle
cdercder
平常的毛豆
pluto
昏睡的蟠桃
我剑也未尝不利
iNk
xiahou
余味
斯寜
归尘
高大凌寒
研友_Y59785
back you up
笨笨芯
zho
冰魂
善良的剑通
pcr163
皖公网安备34019202002308
