基于可信度评分评估的可解释 Tsetlin Machine 假新闻检测框架
计算与语言
2021-05-20 v1 人工智能
机器学习
摘要
假新闻（即为误导而故意传播的新闻）的泛滥对个体与社会构成威胁。尽管存在 PolitiFact 等各类事实核查网站，仍需要鲁棒的检测技术以应对假新闻的增长。若干深度学习模型在假新闻分类上展现出前景，但其黑盒特性使得分类决策难以解释、模型质量难以保证。本文通过提出一种基于近期提出的 Tsetlin Machine（TM）的新型可解释假新闻检测框架来解决该问题。简言之，我们利用 TM 的合取子句捕获真实与假新闻文本的词汇及语义属性。进一步，我们使用子句集成来计算假新闻的可信度。为评估，我们在两个公开数据集 PolitiFact 与 GossipCop 上进行实验，表明 TM 框架在准确率上显著优于先前发布的基线至少 ，并附带基于可解释逻辑的表示的额外益处。此外，我们的方法提供了高于 BERT 与 XLNet 的 F1 分数，但准确率略低。最后我们给出了关于模型可解释性的案例研究，展示其如何分解为有意义的词及其否定。
引用
@article{arxiv.2105.09114,
title = {Explainable Tsetlin Machine framework for fake news detection with credibility score assessment},
author = {Bimal Bhattarai and Ole-Christoffer Granmo and Lei Jiao},
journal= {arXiv preprint arXiv:2105.09114},
year = {2021}
}
备注
11 pages, 4 figures, 4 tables