Cross-Modal Augmentation for Few-Shot Multimodal Fake News Detection

这个新兴的假新闻话题需要自动检测方法来快速学习有限的注释样本。因此，快速获取新任务的熟练度（也称为少样本学习）是检测早期假新闻的关键。现有的方法要么涉及微调预训练的语言模型（这些模型带有大量参数），要么从头开始用大规模注释数据集训练复杂的神经网络。本文提出了一种多模式假新闻检测模型，它使用单模式特征增强多模式特征。为此，我们引入了交叉模态增强（CMA），这是一种简单的方法，通过将n-shot分类转换为更稳健的（n $\times$ z）-shot问题来增强少样本多模式假新闻检测，其中z表示补充特征的数量。所提出的CMA在三个基准数据集上实现了SOTA结果，仅使用少量训练样本就能利用一种惊人简单的线性探测方法对多模式假新闻进行分类。此外，我们的方法在可训练参数和时代次数方面显着轻量级。代码可在此处找到：\url{https://github.com/zgjiangtoby/FND_fewshot}。

本文旨在解决假新闻检测中的few-shot学习问题，提出了一种基于多模态特征增强的方法。

本文提出了Cross-Modal Augmentation (CMA)方法，将n-shot分类转化为更加健壮的(n×z)-shot问题，并利用简单的线性探测方法在少量训练样本下实现多模态假新闻检测。

本文提出的方法在三个基准数据集上均取得了SOTA结果，比现有方法更轻量级，具有更少的可训练参数和更短的训练时间。作者提供了开源代码。

最近在这个领域中的相关研究包括：'Fake News Detection on Social Media: A Data Mining Perspective'，'Hierarchical Attention Networks for Fake News Detection'，'Detecting Fake News with Neural Networks using Embeddings and Neural Language Models'等。