跨多个社交媒体平台的可解释虚假信息检测
机器学习
2022-09-21 v2 人工智能
社会与信息网络
摘要
在这项工作中，我们提出整合两种机器学习方法，即领域自适应和可解释 AI (explainable AI)，以解决泛化检测和可解释性这两个问题。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泛化虚假信息检测器，DANN 被用于为具有相关但未见数据的测试域生成分类结果。基于 DANN 的模型作为一种传统的黑盒模型，无法证明其结果（即目标域的标签）的合理性。因此，应用了局部可解释模型不可知解释 (LIME) 这一可解释 AI 模型来解释 DANN 模型的结果。为了演示这两种方法及其整合以实现有效的可解释泛化检测，将 COVID-19 虚假信息作为案例研究。我们在两个数据集（即 CoAID 和 MiSoVac）上进行了实验，并比较了有无 DANN 实现的结果。DANN 显著提高了准确率指标 F1 分类得分，并提升了准确率和 AUC 性能。所得结果表明，所提出的框架在领域偏移情况下表现良好，能够学习领域不变特征，同时通过 LIME 实现解释目标标签，从而实现可信的信息处理与提取以有效对抗虚假信息。
引用
@article{arxiv.2203.11724,
title = {Explainable Misinformation Detection Across Multiple Social Media Platforms},
author = {Gargi Joshi and Ananya Srivastava and Bhargav Yagnik and Mohammed Hasan and Zainuddin Saiyed and Lubna A Gabralla and Ajith Abraham and Rahee Walambe and Ketan Kotecha},
journal= {arXiv preprint arXiv:2203.11724},
year = {2022}
}
备注
28 pages,4 figures