一个增强的MIBKA-CNN-BiLSTM模型用于假信息检测

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 由于信息复杂性和现有模型中低效的参数优化,假信息检测面临挑战.
• 当前的检测技术在处理复杂的假信息时,在准确性和效率方面扎.

研究的目的:

• 提出一种混合检测模型,MIBKA-CNN-BiLSTM,可以提高虚假信息检测的准确性和效率.
• 改进黑优化算法 (MIBKA) 通过增强的策略来实现更好的参数优化.
• 开发一个优化的双通道深度学习架构,用于自适应性假信息检测.

主要方法:

• 实施了三重策略增强的黑优化算法 (MIBKA),其中包括循环混乱映射,DE/rand-to-best/1突变和基于对立的逻辑螺旋学习 (LSOBL).
• 构建了一个CNN-BiLSTM双通道特征提取网络,使用MIBKA优化的超参数进行自适应模型对齐.
• 使用包括CCTV在内的社交媒体平台创建了高质量的假信息数据集.

主要成果:

• 在自建数据集中,MIBKA-CNN-BiLSTM模型获得了最高的准确性,性能比最佳混合模型高3.11%.
• 在微博21数据集上,该模型表现出更好的性能,精度增加了1.52%和F1得分增加了1.71%,与基线模型相比.
• 改进的MIBKA算法显示了改进的参数空间覆盖面,探索-开发平衡,以及动态对立解决方案的空间探索.

结论:

• MIBKA-CNN-BiLSTM模型为检测轻量级和强大的虚假信息提供了实用和有效的解决方案.
• 建议对MIBKA算法和双通道深度学习架构的改进大大提高了检测性能.
• 这项研究通过改进的算法策略和模型优化,为虚假信息检测领域做出了宝贵的贡献.