一个假新闻检测模型,使用多式联络注意力机制和残余卷积网络的集成
1Xi'an International University, Xi'an City, 710000, China. 245972639@qq.com.
Scientific reports
|July 2, 2025
概括
本研究引入了一种深度学习模型,用于多式联网虚假新闻检测,通过整合剩余网络和注意力机制来实现高精度. 该模型与现有方法相比表现出卓越的性能和效率,为现实应用提供了强大的解决方案.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 自然语言处理自然语言处理.
- 计算机视觉 计算机视觉
- 数据科学数据科学数据科学
背景情况:
- 现有的假新闻检测方法在多式联运数据和复杂特征提取方面扎.
- 深度学习模型,特别是卷积神经网络 (CNN),需要改进以提高准确性和效率.
- 消失梯度问题可以限制深度神经网络的学习深度和稳定性.
研究的目的:
- 开发和评估一种新的深度学习模型,用于准确和高效的多式联网虚假新闻检测.
- 用注意力机制和剩余连接来增强从文本,图像和视频中提取特征.
- 引入多式联运特征融合和跨式联运对齐的创新模块.
主要方法:
- 提出了一个深度学习模型,集成剩余网络和多头注意力机制.
- 开发了一种多式联通功能融合模块,用于文本,图像和视频数据集成.
- 实施了交叉模式对齐机制,并优化了特征融合结构.
- 利用注意力机制来突出突出特征以增强表现.
主要成果:
- 拟议的模型实现了最先进的性能,最佳准确率为0.977,精度为0.986,回忆率为0.969,F1得分为0.924.
- 在关键指标上表现优于基线模型,包括BERT,RoBERTa,XLNet,ERNIE和GPT-3.5.
- 展示了强大的稳定性,概括能力和快速响应时间 (在0.02秒内).
- 展示了大规模数据集的显著计算优势.
结论:
- 开发的深度学习模型为多式联网假新闻检测提供了高性能和易于部署的解决方案.
- 该模型的架构有效地解决了多式联运数据集成和特征表示方面的挑战.
- 提供了宝贵的理论见解和实践指导,用于在论治理和文本分类中应用深度学习.
