通过基于变压器的深度学习来加强假新闻检测:一种多学科的方法

科学领域:

• 自然语言处理自然语言处理.
• 人工智能的人工智能
• 信息科学 信息科学 信息科学

背景情况:

• 假新闻的传播挑战了数字信息的完整性和公众的信任.
• 自动检测机制对于打击错误信息至关重要.
• 现有的方法可能无法完全捕捉伪造内容的细微差别.

研究的目的:

• 提出一个强大的假新闻检测框架,使用基于变压器的架构.
• 通过逐步培训来增强来自变压器的双向编码器表示 (BERT) 模型.
• 改进对区分真实新闻和假新闻的语言指标的自动识别.

主要方法:

• 开发了一个虚假新闻检测框架,使用基于变压器的架构.
• 应用并增强了来自变压器的双向编码器表示 (BERT) 模型.
• 实施了一种渐进式培训方法,用于增量学习.
• 评估了大规模WELFake数据集 (72,134篇文章) 的框架.

主要成果:

• 增强的BERT框架实现了高性能指标:95.3%的准确性,0.953的F1分数,0.952的精度和0.954的回忆.
• 与传统的机器学习分类器相比,该模型表现出更高的性能.
• 这种方法显著超过了其他标准的基于变压器的实现.
• 渐进式培训有效地捕捉了文本中的复杂的上下文依赖性.

结论:

• 增强的BERT框架为虚假新闻检测提供了一个强大而可扩展的解决方案.
• 渐进式培训方法提高了模型识别细微语言差异的能力.
• 这种方法在自动打击数字错误信息方面取得了重大进展.
• 这些发现突出了先进的变压器模型在维护信息完整性的潜力.