面向信息疫情管理的早期虚假信息检测：一种域适应方法

信息疫情指在疾病暴发期间传播的大量真实信息和虚假信息。及早检测虚假信息对于减少其对公共卫生的危害至关重要。信息疫情的早期阶段以大量未标记的关于疾病的信息为特征。因此，传统的虚假信息检测方法因依赖于信息疫情领域中标记信息来训练模型，不适用于该任务。为解决这一局限性，最先进的方法利用来自其他领域的标记信息来训练模型，以检测信息疫情领域中的虚假信息。这些方法的有效性取决于其减轻信息疫情域与其他领域之间协变量偏移（即特征分布差异）和概念偏移（即标记模式差异）的能力。然而，这些方法关注减轻协变量偏移，却忽视了概念偏移，导致其在该任务上效果较差。为此，我们从理论上展示了同时处理协变量偏移和概念偏移的必要性以及如何操作每个过程。基于理论分析，我们开发了一种新型虚假信息检测方法，既解决协变量偏移又解决概念偏移。我们在真实数据集上进行了广泛的实证评估，证明了该方法在最先进的虚假信息检测方法以及可量身定制的常用域适应方法之上具有优异性能。