面向早期 misinformation 检测的对比域适应：以 COVID-19 为例
计算机视觉与模式识别
2022-10-04 v4 人工智能
计算与语言
摘要
尽管近期在提升 misinformation 检测系统性能方面取得了进展，但在未见域中对 misinformation 进行分类仍是一项难以攻克的挑战。为解决此问题，一种常见方法是引入域判别器并鼓励域不变输入特征。然而，早期 misinformation 相对于已有 misinformation 数据常表现出条件偏移与标签偏移（例如 COVID-19 数据集中的类别不平衡），使得此类方法对早期 misinformation 的检测效果较差。在本文中，我们提出面向早期 misinformation 检测的对比适应网络（CANMD）。具体而言，我们利用伪标签生成高置信度的目标域样本，与源域数据联合训练。我们还设计了一个标签校正组件，用以估计并校正源域与目标域之间的标签偏移（即类别先验）。此外，目标函数中集成了一个对比适应损失，以减小类内差异并增大类间差异。由此，适应后的模型学习到校正后的类别先验以及跨两域的不变条件分布，从而改进对目标数据分布的估计。为证明所提 CANMD 的有效性，我们研究了 COVID-19 早期 misinformation 检测这一案例，并使用多个真实世界数据集进行了充分实验。结果表明，与最先进的基线相比，CANMD 能有效将 misinformation 检测系统适应至未见过的 COVID-19 目标域，并取得显著提升。
引用
@article{arxiv.2208.09578,
title = {Contrastive Domain Adaptation for Early Misinformation Detection: A Case Study on COVID-19},
author = {Zhenrui Yue and Huimin Zeng and Ziyi Kou and Lanyu Shang and Dong Wang},
journal= {arXiv preprint arXiv:2208.09578},
year = {2022}
}
备注
Accepted to CIKM 2022