学习检测少样本少线索 misinformation
社会与信息网络
2021-08-10 v1
摘要
由于缺乏细致的人工审核，网络上数字信息的质量一直令人不安。因此，自社交媒体盛行以来，大量虚假文本信息已传播良久。misinformation 对公众的潜在负面影响日益引发担忧。因此，尽早检测在线 misinformation 的动机十分强烈。当标注语句数量极少（称为少样本）且每个样本对应证据也极为有限（称为少线索）时，少样本少线索学习适用于该 misinformation 检测任务。在少样本少线索框架下，我们提出一种贝叶斯元学习算法以提取不同主题（即不同任务）misinformation 间的共享模式。此外，我们推导了一种可扩展方法，即摊销变分推断，以优化该贝叶斯元学习算法。在三个基准数据集上的实证结果表明了我们算法的优越性。本工作更侧重于优化参数而非设计检测模型，并将为早期阶段数据高效的在线 misinformation 检测提供新的见解。
引用
@article{arxiv.2108.03805,
title = {Learning to Detect Few-Shot-Few-Clue Misinformation},
author = {Qiang Zhang and Hongbin Huang and Shangsong Liang and Zaiqiao Meng and Emine Yilmaz},
journal= {arXiv preprint arXiv:2108.03805},
year = {2021}
}