| 标题 |
 Multi-modal Robustness Fake News Detection with Cross-Modal and Propagation Network Contrastive Learning 基于跨模态和传播网络对比学习的多模态鲁棒假新闻检测
相关领域
情态动词
稳健性（进化）
计算机科学
人工智能
材料科学
化学
生物化学
高分子化学
基因
|
| 网址 | |
| DOI | |
| 其它 | 社交媒体改变了新闻传播的格局，其特点是内容快速、广泛和多样化，以及验证真实性的挑战。这些平台上多模式新闻的激增为检测假新闻带来了新的障碍。现有方法通常侧重于单一模态，例如文本或图像，或者将文本和图像内容或与传播网络数据相结合。然而，更强大的假新闻检测的潜力在于同时考虑三种模式。此外，当前检测方法严重依赖标记数据，这既耗时又昂贵。为了应对这些挑战，我们提出了一种新的方法，即具有跨模态和传播网络 Contrastive Learning （MFCL） 的 Multi-modal Robustness Fake News Detection 。这种方法集成了文本、图像和传播网络的内在特征，捕获基本的多式联运关系，以实现准确的假新闻检测。采用对比学习来学习内在特征，同时缓解标记数据有限的问题。此外，我们引入了图像-文本匹配 （ITM） 数据增强，以确保图像-文本表示的一致性，并采用自适应传播 （AP） 网络数据增强进行高阶特征学习。我们利用上下文转换器来提高假新闻检测的有效性，在此过程中揭示关键的多式联运连接。在真实数据集上的实验结果表明，MFCL 优于现有方法，即使标记数据和不匹配对，也能保持高准确性和稳健性。我们的代码可在 https://github.com/HanChen-HUST/KBS-MFCL 获取。 |
| 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。
|
pluto
昏睡的蟠桃
cdercder
bc
归尘
冰魂
Rye227
jenningseastera
ss
乐乐
back you up
平常的毛豆
科研小民工
HEIKU
不倦
遇上就这样吧
巴拉巴拉巴拉拉
zmnzmnzmn
顺心香菇
wy.he
皖公网安备34019202002308
