基于信息瓶颈理论的鲁棒少标签虚假信息检测

虚假信息检测对于维护网络舆情安全具有重要意义.研究表明,虚假信息在信息内容和传播结构上较真实信息具有显著不同.为此,近年来研究致力于挖掘信息内容和信息传播结构,提升虚假信息检测的精准性.然而,现实场景中虚假信息的标注往往需要大量地与官方报道等比照分析,代价较为昂贵,现有方法对标注信息的过分依赖限制了其实际应用.此外,虚假信息传播者可通过在评论区控评等手段恶意操纵虚假信息的传播,增加了虚假信息检测的难度.为此,基于信息瓶颈理论提出一种鲁棒少标签虚假信息检测方法,通过互信息最大化技术融合无标注样本信息,克服虚假信息检测对标签的过分依赖问题;并通过对抗训练的策略模拟虚假信息传播者的恶意操纵行为,基于信息瓶颈理论学习鲁棒的虚假信息表征,在高质量表征虚假信息的同时消除恶意操纵行为的影响.实验表明,该方法在少标签识别和鲁棒性2个方面均取得了优于基准方法的效果.

具有信息交互的少标签水下语义分割

针对水下少标签语义分割的类内差距问题,提出一种具有信息交互的FUSS模型,通过将提取的询问图像全局特征信息和支持图像目标局部特征信息进行交互,实现对共性对象信息的有效关注。实验结果表明,在仅使用50张支持数据集情况下,与CaNet、PGNet和PaNet三种少标签语义分割算法对比,FUSS模型无论是在水下环境还是在地面图像上均优于这些算法。