虚假新闻检测论文阅读（七）：A temporal ensembling based semi-supervised ConvNet for the detection of fake news

已于 2022-08-07 22:06:57 修改
阅读量1.8k 收藏
点赞数
分类专栏： 论文笔记 文章标签： 深度学习 人工智能 自然语言处理
于 2022-08-07 22:03:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43421371/article/details/126217965
版权

论文标题：A temporal ensembling based semi-supervised ConvNet for the detection of fake news articles
日期：ESWA2021

基于新闻文本、半监督、伪标签、temporal ensembling

一、基本内容

利用了半监督学习方法temporal ensembling对无标注数据打伪标签，即让先前的epoch训练得到的模型为后续epoch的无标注数据打伪标签，从而让有标注的数据越来越多，实现更好的预测结果。
【知识参考temporal ensembling】

二、文章动机

（1） Π Π Π-model和temporal ensembling是两个标准的半监督基准。这些基于self-ensembling原理为无监督数据设置集成目标并成功在一些分类任务上进行了实验。且 Π Π Π-model和temporal ensembling都提供了对错误标签的容忍度，并在完全标记的情况下提高了分类准确性。
（2）使用监督技术无法实现最新在线信息的特征工程和近乎实时的性能。

三、模型框架

在这里插入图片描述
在这里插入图片描述
算法流程：
在这里插入图片描述
在这里插入图片描述

Quinn-ntmy
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文阅读#3】FLOWPRINT : Semi-Supervised Mobile-App Fingerprinting on Encrypted Network Traffic
Elivyxy的博客
04-03 1858
一、论文信息 本文是发表在NDSS 2020上的一篇文章，作者在本文中提出了一种从加密的网络流量中提取移动应用程序指纹的半监督方法。该方法可以有效识别Android和iOS上的应用程序且不需要先验知识，并且工作效率可控，实验结果远超目前最先进的解决方案。 1.1、摘要原文 Mobile-application fingerprinting of network traffic is valu...
《STA: Spatial-Temporal Attention for Large-Scale Video-Based Person Re-Identification》
三明治的博客
03-15 886
提出了一种新的时空注意(STA)方法来解决视频中大规模的人物再识别任务。STA在空间和时间两个维度上充分利用了一个目标人的那些判别性部分，通过帧间正则化得到一个二维注意力评分矩阵来衡量空间部分在不同帧间的重要性。因此，根据挖掘的二维注意力评分矩阵指导的加权和操作，可以生成更鲁棒的剪辑级特征表示。在MARS和DukeMTMCVideoReID两个大规模数据集上进行了实验。mAP在MARS上达到87.7%
【论文阅读】Multimodal Fusion with Co-Attention Networks for Fake News Detection --- 虚假新闻检测，多模态融合
热门推荐
me_yundou的博客
11-21 1万+
本博客系本人理解该论文之后所写，非逐句翻译，预知该论文详情，请参阅论文原文。 论文标题：Multimodal Fusion with Co-Attention Networks for Fake News Detection； 作者：Yang Wu, Pengwei Zhan, Yunjian Zhang, Liming Wang, Zhen Xu； 中国科学院大学； 出处：ACL 2021； 摘要： 靠人工识别谣言是费时费力的，所以急需自动识别谣言的模型。但是现有谣言检测模型在融合多模态特征方面
论文阅读：Fake News Detection on Social Media:A Data Mining Perspective
羊城迷鹿的博客
11-15 3120
问题背景 当前的社交媒体由于具有成本低、访问易、传播快、社交参与度高等特点，吸引着越来越多的人从中获取和消费新闻，但这也同时给假新闻的快速传播创造了条件。对于社会，假新闻会扰乱整个新闻系统的生态，使得偏见深入人心；而对于每个个体，假新闻和真新闻的交织会让人感到困惑，逐渐丧失分辨真伪的能力。为了尽量减少假新闻给个人和社会带来的消极影响，社交媒体上的假新闻检测这一新兴研究领域得到了越来越多的关注。 问...
计算机视觉论文-2021-03-18
中科院AI算法工程师的博客
03-18 2050
本专栏是计算机视觉方向论文收集积累，时间：2021年3月18日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:On The Whitney Extension Problem for Near Isometries and Beyond AUTHORS: Steven B. Damelin CATEGORY: math.CA [math.C...
【数据集下载】虚假内容检测，谣言检测，事实核查--纯文本，多模态，多语言，社交信息--rumor/misinformation/fake news detection dataset download
me_yundou的博客
11-09 4921
本博客系博主个人理解和整理所得，包含内容无法详尽，如有补充，欢迎讨论。这里只提供数据集相关介绍和来源出处，或者下载地址等，因版权原因不提供数据集所含的元数据。如有需要，请自行下载。博主目前暂时收集和整理了这些数据集，“其他”类别中的数据集还没有进行详细分析，同时还有许多不完善的地方。如有补充或者错漏敬请大家在评论区指正。会持续更新，对数据集进行详细介绍，提供相应的数据集下载地址。
A-deeply-supervised-image-fusion-network-for-change-detection-in-remote-sensing-images:Paper的官方工具：深度监控的图像融合网络，用于高分辨率双时相遥感图像的变化检测
05-05
Official implement of the Paper：A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images. If you find this work helps in your research, ...
Materials-Temporal-Action-Detection:时间动作检测
05-29
论文：时间行动建议和检测 约束动作本地化的时间关系(arxiv 2020) (AGCN-P-3DCNNs)用于动作检测的基于图形注意的提议 3D ConvNets (AAAI20) (PBRNet)用于时间动作检测的渐进边界细化网络(AAAI20) (RapNet)使用...
《MonoRec：Semi-Supervised Dense Reconstruction in Dynamic Environments from a Single Moving Camera》
m_buddy的博客
01-19 2998
参考代码：MonoRec 1. 概述 介绍：这篇提出了一种纯视觉的自监督深度估计算法，它结合现有实例分割、视觉里程计等视觉相关领域中相关技术，构造出这篇提出的MonoRec单目深度估计方法（在做训练的时候也采用了双目的图像作为输入）。在自监督单目深度估计网络中，一个很大的困难便是需要区分哪些像素相对相机参考系是存在运用的，这是文章引入实例分割方法得到的mask去引导并构建MaskModule去解决存在“运动”的目标。对于深度估计部分，这里是使用”运动“目标mask和由输入图片构建的cost volume去
深度学习100问27:什么是截断的BPTT
yyq916的博客
08-31 150
截断的 BPTT 呢，先确定一个合适的长度，就好比决定每一小段故事有多长。这种方法在很多地方都大显身手哦，比如自然语言处理里训练语言模型、搞机器翻译的时候，就像一个得力的小助手。想象一下，你有一个超级长的故事要讲，一口气从头讲到尾可太难啦，而且很容易把自己绕晕。这时候呢，截断的 BPTT 就像把这个长故事分成一小段一小段来讲。在循环神经网络训练那些长长的序列数据的时候，如果直接像个“愣头青”一样用传统方法，那计算量会大得吓人，还可能出现梯度消失或者爆炸的情况，就像烟花放一半突然熄火或者炸得不可收拾。
【深度学习与NLP】——深度卷积神经网络AlexNet
lingxw的博客
08-27 1038
AlexNet 的出现极大地推动了深度学习在计算机视觉领域的发展。它证明了深度神经网络在图像识别等任务上的强大能力，为后续的研究提供了重要的参考和启示。此后，各种深度神经网络架构不断涌现，性能也不断提升。总之，AlexNet 是深度学习发展历程中的一个重要里程碑，它的创新之处和优异性能对计算机视觉领域产生了深远的影响。
【王树森】RNN模型与NLP应用(2/9)：文本处理与词嵌入（个人向笔记）
hxdxiaoming的博客
08-29 697
本次课将使用下列数据集：关于电影评价的数据集。
【王树森】RNN模型与NLP应用(1/9)：数据处理基础（个人向笔记）
hxdxiaoming的博客
08-29 216
为什么国籍要用One-Hot编码而不是直接用数字编码更节省存储空间？
深度学习基础—彩色图片的卷积运算
sniper_fandc的博客
08-28 464
即假设输入图片是n*n*nc的大小，过滤器是f*f*nc的大小，得到的卷积结果是(n-f+1)*(n-f+1)*nc，其中nc是通道数，这里默认步长为1，不进行padding操作。但是如果想检测不同的边缘特征，比如想同时检测6*6 RGB图像垂直边缘和水平边缘，就可以使用2个3维过滤器（3*3*3），得到两个4*4的输出，把这两个4*4的输出堆叠为4*4*2的输出，这个输出表示同时检查水平和垂直边缘的结果。把这三个过滤器堆叠到一起形成3维过滤器，从而就可以只检测红色的边缘，绿色和蓝色不进行检测。
深度学习速通系列:标准化和归一化
Ven%的博客
08-28 202
也称为Z-score标准化。目的是将数据的分布转换为均值为0，标准差为1的标准正态分布。公式：其中，𝑥x 是原始数据点，𝜇μ 是数据的均值，𝜎σ 是数据的标准差。
深度学习100问33:如何避免梯度消失
最新发布
yyq916的博客
08-31 139
可以用一些聪明的自适应学习率优化算法，像 Adam、Adagrad 等，它们能根据模型的训练情况自动调整学习率，可贴心啦。像 Xavier 初始化和 He 初始化这些方法，可以根据网络的结构自动调整权重的初始值，让信号在网络里能更好地传播，就像给信号铺了一条顺畅的路。首先呢，选个好的“调味料”，也就是激活函数。当输入是正数的时候，它的梯度始终是 1，不会像有些传统激活函数那样，想象一下在一条长长的路上修一些小道，这样信号就可以直接从一层传到更深的层，不用经过好多层，就不会出现梯度慢慢消失的问题啦。
深度学习100问15:什么是交叉熵误差
yyq916的博客
08-30 691
真实的情况呢，就像是有个“标准答案”，知道红球出现的真正概率分布。而你的猜测呢，就是你给出的预测概率分布。要是差得远呢，交叉熵误差就大。对于不同的情况，比如有好几个类别要猜的时候，就用这个公式：。别被它吓到，其实就是把每个情况的真实概率和预测概率用一种特别的方式算一下差距，然后加起来。- 在分类问题里呀，交叉熵误差就像个严格的老师，它当损失函数，让模型不断学习，变得更聪明，好让预测结果更接近真实结果。- 如果模型猜错了，交叉熵误差会狠狠地“惩罚”它，这样模型就会赶紧改正，更快地学会正确的玩法。
深度学习系列73：使用rapidStructure进行版面分析
kittyzc的博客
08-28 302
项目地址https://github.com/RapidAI/RapidStructure?
temporal ensembling for semi-supervised learning
06-28
Temporal Ensembling是一种半监督学习方法，它使用了时间上的一致性来提高模型的性能。该方法通过对未标记数据进行预测，并将预测结果与之前的预测结果进行平均，从而获得更加稳定和准确的预测结果。同时，该方法还...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值