MiDAS：面向假新闻检测的多集成域自适应监督方法
机器学习
2022-05-23 v1 计算与语言
摘要
与COVID-19相关的错误信息和假新闻被称为“信息疫情”，在过去几年中急剧增加。这些错误信息表现出概念漂移，即假新闻的分布随时间变化，降低了先前训练的假新闻检测模型的有效性。给定一组在多个域上训练的假新闻模型，我们提出一个自适应决策模块，为新样本选择最适配的模型。我们提出MiDAS，一种用于假新闻检测的多域自适应方法，其对现有模型与新样本的相关性进行排序。MiDAS包含两个部分：一个域不变编码器和一种自适应模型选择器。MiDAS集成多个预训练和微调的模型及其训练数据，以创建域不变表示。然后，MiDAS利用不变嵌入空间的局部Lipschitz平滑性来估计每个模型对新样本的相关性。排名较高的模型提供预测，排名较低的模型弃用。我们在9个假新闻数据集上评估MiDAS对漂移数据的泛化能力，这些数据集分别来自不同的域和模态。MiDAS在多域自适应分布外假新闻分类上取得了新的SOTA性能。
引用
@article{arxiv.2205.09817,
title = {MiDAS: Multi-integrated Domain Adaptive Supervision for Fake News Detection},
author = {Abhijit Suprem and Calton Pu},
journal= {arXiv preprint arXiv:2205.09817},
year = {2022}
}
备注
We use Lipschitz smoothness and probabilistic Lipschitzness to build a theoretical foundation for effective multi-domain adaptation using randomized perturbations on unseen data