MetaAdapt：基于元学习的域自适应少样本虚假信息检测
计算与语言
2023-05-23 v1 人工智能
摘要
随着社交媒体上新兴话题（如 COVID-19）成为虚假信息传播源头，克服原始训练域（即源域）与此类目标域之间的分布偏移，对虚假信息检测而言仍是一项重要任务。这对早期虚假信息检测提出了难以捉摸的挑战，因为目标域中可供训练的大量数据与标注并不可用。为解决数据稀缺问题，我们提出 MetaAdapt，一种基于元学习的域自适应少样本虚假信息检测方法。MetaAdapt 利用有限的目标域样本提供反馈并引导从源域到目标域的知识迁移（即学会适应）。具体而言，我们用多个源任务训练初始模型并计算它们与元任务的相似度分数。基于相似度分数，我们对元梯度进行重缩放以从源任务中自适应学习。由此，MetaAdapt 能够学会如何调整虚假信息检测模型并利用源数据以提升目标域中的性能。为证明我们方法的效率与有效性，我们进行了大量实验将 MetaAdapt 与最先进基线及大型语言模型（LLM）如 LLaMA 比较，其中 MetaAdapt 在域自适应少样本虚假信息检测上以显著减少的参数量在真实世界数据集上取得更优性能。
引用
@article{arxiv.2305.12692,
title = {MetaAdapt: Domain Adaptive Few-Shot Misinformation Detection via Meta Learning},
author = {Zhenrui Yue and Huimin Zeng and Yang Zhang and Lanyu Shang and Dong Wang},
journal= {arXiv preprint arXiv:2305.12692},
year = {2023}
}
备注
Accepted to ACL 2023