SmoothDectector: A Smoothed Dirichlet Multimodal Approach for Combating Fake News on Social Media
Notice bibliographique
Résumé
The rapid dissemination of fake news in the digital era has become a pressing concern. The ease of generating and manipulating fake content, including images, text, audio, and videos, has significantly fueled the spread of misinformation on social media platforms. These platforms often lack rigorous editorial scrutiny, exacerbating this problem. Although recent studies have explored multimodal fake news detection to learn shared representations of textual and visual information, they often learn discrete latent representations, merely concatenations of multimodal features. Simple concatenation or summation operations hinder the dynamic interaction of multimodal features. Furthermore, most models rely on additional subtasks, such as reconstruction and event discrimination. The performance of these models depends heavily on subtasks, which can be mathematically complex and time-consuming. This reliance limits the ability of researchers to explore different modeling assumptions freely. This study introduces a novel approach that integrates a probabilistic algorithm with a deep neural network to effectively capture the uncertainties and diversities in the shared latent representation of multimodal data. Specifically, our model utilizes continuous latent representations by leveraging a smoothed Dirichlet distribution, facilitating the identification of shared hidden patterns across textual and visual modalities. In addition, our model demonstrates the powerful properties of generative models when integrated with neural network models. Our results underscore the potential of integrating a probabilistic algorithm with a deep neural network to address the challenges of fake news detection in a multimodal setting. To support further research and reproducibility, we made the code related to this work publicly accessible.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».