联合学习用于检测假新闻,使用深度学习作为基本方法
Kristína Machová1, Marián Mach1, Viliam Balara1
1Department of Cybernetics and Artificial Intelligence, Faculty of Electrical Engineering and Informatics, Technical University of Košice, Letná 9, 04200 Košice, Slovakia.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
联合学习通过在分散数据上训练模型来增强机器学习安全性,保护个人信息. 这种方法使用深度学习来检测假新闻,即使使用分布式数据,也保持了模型的准确性.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 网络安全 网络安全
背景情况:
- 联合学习通过在分散的数据上训练模型,为机器学习提供了一种保护隐私的方法.
- 假新闻的检测在在线空间至关重要,但由于集中式数据聚合,传统方法引发了隐私问题.
- 深度学习模型对于复杂的模式识别任务,如假新闻识别,是有效的.
研究的目的:
- 探索联合学习与深度学习相结合的有效性,用于训练假新闻检测模型.
- 评估联合学习对模型准确性和数据隐私的影响.
- 在联合学习框架内设计和评估不同的深度学习架构.
主要方法:
- 开发了三种深度学习架构:嵌入式,卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络.
- 实施了联合学习方法,在这种方法中,模型在本地训练了去中心化数据,并集中集成.
- 对比了经过联合学习和没有联合学习训练的模型的性能.
主要成果:
- 长短期内存 (LSTM) 架构实现了最高的性能,F1得分为0.92.
- 这三种深度学习架构 (嵌入式,CNN,LSTM) 都表现出了可比的结果.
- 联邦学习并没有显著降低模型准确度,尽管数据是分散的.
结论:
- 联合学习是训练假新闻检测模型的可行和安全方法.
- 深度学习架构,特别是LSTM,在联合学习设置中有效用于假新闻识别.
- 联邦学习的隐私好处可以在没有对检测准确性的重大妥协的情况下实现.
