SEMI-FND：基于堆叠集成的多模态推理用于更快的假新闻检测
计算与语言
2023-02-28 v1 人工智能
摘要
假新闻检测（FND）是自然语言处理中的一个重要领域，旨在识别和核查新闻文章中主要声明的真实性，以判断新闻的准确性。FND的应用在于防止因事实歪曲而造成的社会、政治和国家损害，这些歪曲可能伤害社会的特定群体。此外，随着包含图像和文本的假新闻在社交媒体上爆炸性传播，更快、更准确地识别假新闻变得至关重要。为了解决这个问题，本工作研究了一种新颖的基于多模态堆叠集成的方法（SEMI-FND）用于假新闻检测。研究重点还在于确保以更少的参数实现更快的性能。此外，为了提高多模态性能，对图像模态进行了深度单模态分析，确定NasNet Mobile是此任务最合适的模型。对于文本，则使用了BERT和ELECTRA的集成。该方法在两个数据集上进行了评估：Twitter MediaEval和微博语料库。所提出的框架在Twitter和微博数据集上分别提供了85.80%和86.83%的准确率。与近期类似工作相比，这些报告的指标更为优越。此外，我们还报告了与近期相关工作相比，训练所用参数数量的减少。SEMI-FND在整体上实现了至少20%的参数减少，其中文本部分的单模态参数减少了60%。因此，基于所呈现的研究，可以得出结论：堆叠集成的应用显著提高了假新闻检测的性能，同时提升了速度。
引用
@article{arxiv.2205.08159,
title = {SEMI-FND: Stacked Ensemble Based Multimodal Inference For Faster Fake News Detection},
author = {Prabhav Singh and Ridam Srivastava and K. P. S. Rana and Vineet Kumar},
journal= {arXiv preprint arXiv:2205.08159},
year = {2023}
}