fake-news-detection

本文介绍了一个理论驱动的计算框架，用于自动化假新闻检测和解释，整合了来自社会科学和心理学的跨学科洞见，并通过在基准数据集上的实验进行了验证。

该论文审计了广泛使用的 ISOT/Kaggle 假新闻语料库，揭示了文本分类器中的高准确度源于通过元数据和样式信号的捷径学习，而非真正的可信度评估。

本文探讨了基于Mamba的状态空间模型用于孟加拉语假新闻检测，并与Transformer模型如BanglaBERT进行比较。研究表明，Mamba在资源受限环境中提供了具有竞争力的性能和更高的效率。

本文提出专家引导的互蒸馏（EGMD）方法，以解决多模态假新闻检测中的领域偏差和语义错配问题，在四个数据集上实现了最先进的准确率，并将领域偏差降低高达57.3%。

介绍了KITE，一种联合建模文本、图像和知识图谱的三模态Transformer框架，用于假新闻检测，在基准数据集上优于单模态和双模态基线。

提出FIND-IT!，一种多模态虚假新闻检测框架，用于印度新闻。该框架利用ResNet-50提取视觉特征，DistilBERT处理文本，并采用带有注意力融合的自适应神经模糊推理系统（ANFIS）将新闻分类为虚假或真实。