HSFN：构建异构集成假新闻检测的层次化选择方法

认知偏差，如确认偏差，使个体在社交媒体上更容易相信和传播假新闻，这在公共卫生和政治等领域将导致重大后果。基于机器学习的事实核查系统已被广泛研究以缓解此问题。在其中，集成方法在组合多个分类器以提高鲁棒性方面尤为有效。然而，其性能严重依赖于组成分类器的多样性——选择真正多样化的模型仍是关键挑战，尤其是当模型倾向于学习冗余模式时。在本工作中，我们提出了一种新颖的自动分类器选择方法，优先考虑多样性，并在此基础上考虑性能。该方法首先计算分类器之间的两两多样性，并应用层次聚类将其组织成不同粒度水平上的组别。层次选择器(HierarchySelect)随后探索这些层次结构，以在每个层次上选择一组分类器，每组代表该层次内的不同多样性。从这些组别中识别并选择最具多样性的组别用于集成构建。选择过程融合了反映每个分类器性能的评估指标，以确保集成也能良好泛化。我们在来自不同应用领域且类别数目各不相同的六个数据集上进行了实验，包含40个异构分类器。我们的方法与Elbow启发式方法及最新基线方法进行了比较。结果表明，我们的方法在六个数据集中的两个数据集上实现了最高准确率。项目存储库的实现细节：https://github.com/SaraBCoutinho/HSFN。