2025年12月15日
RGDA | Rationalizing Graph Neural Networks with Data Augmentation【利用数据增强对图神经网络进行合理化解释】
摘要： 论文信息 论文标题：Rationalizing Graph Neural Networks with Data Augmentation论文作者：Gang Liu、Eric Inae、Tengfei Luo、Meng Jiang论文来源：论文地址：link论文代码：link Method 4.1 关 阅读全文
posted @ 2025-12-15 16:36 Blairs 阅读(16) 评论(0) 推荐(0)
C2R | Cooperative Classification and Rationalization for Graph Generalization【用于图泛化的协同分类与合理化】
摘要： 论文信息 论文标题：Cooperative Classification and Rationalization for Graph Generalization论文作者：岳临安、刘琪、刘烨、高伟博、姚方舟、李文峰论文来源：WWW 2024发布时间：2024论文地址：link论文代码：link 1 阅读全文
posted @ 2025-12-15 16:18 Blairs 阅读(3) 评论(0) 推荐(0)
FIG | Fine-Grained Graph Rationalization【细粒度图合理化】
摘要： 论文信息 论文标题：Fine-Grained Graph Rationalization论文作者：徐哲、潘孟海、陈玉忠、陈慧媛、严宇辰、玛哈什韦塔·达斯、童汉航论文来源：NeurIPS'2022 发布时间：2022论文地址：link论文代码：link 1 摘要 核心定义： 理据发现（Rational 阅读全文
posted @ 2025-12-15 15:26 Blairs 阅读(1) 评论(0) 推荐(0)
2025年12月11日
Rumor Detection
该文被密码保护。 阅读全文
posted @ 2025-12-11 19:45 Blairs 阅读(3) 评论(0) 推荐(0)
2025年12月9日
Collaborative Evolution: Multi-Round Learning Between Large and Small Language Models for Emergent Fake News Detection
摘要： 摘要 研究背景与问题：社交媒体平台上虚假新闻泛滥，对社会产生显著负面影响；传统基于小型语言模型（SLMs）的深度学习方法需大量监督训练，且难以适应快速变化的环境；大型语言模型（LLMs）虽具备强大零样本能力，但因缺乏相关演示及知识的动态性，无法有效识别虚假新闻。 提出的解决方案：构建新型框架 “多轮 阅读全文
posted @ 2025-12-09 16:12 Blairs 阅读(10) 评论(0) 推荐(0)
Misinformation Detection using Large Language Models with Explainability
摘要： 摘要 研究背景：网络平台虚假信息快速传播，破坏个体信任并阻碍理性决策，传统检测方法存在局限性。 核心方法：提出可解释且计算高效的检测流程，采用基于 Transformer 的预训练语言模型（PLMs），对 RoBERTa 和 DistilBERT 进行两步优化： 第一步：冻结模型骨干网络，仅训练分类 阅读全文
posted @ 2025-12-09 14:51 Blairs 阅读(3) 评论(0) 推荐(0)
2025年12月8日
Beyond Translation: LLM-Based Data Generation for Multilingual Fact-Checking
摘要： 3 多语言数据集生成（Multilingual Dataset Generation）方法 一、核心目标 构建可扩展、高效的自动化流程，生成高质量多语言事实核查数据集，支持英语、西班牙语、德语及低资源语言，包含 “支持（Supports）”“反驳（Refutes）”“信息不足（Not-info）” 阅读全文
posted @ 2025-12-08 20:21 Blairs 阅读(6) 评论(0) 推荐(0)
An Explainable KG-RAG-Based Approach to Evidence-Based Fake News Detection Using LLMs
摘要： 方法 主张类型分类：采用微调后的 DeBERTaV3-large 模型，识别输入主张的类型，具体包括 “立场声明”“事件 / 属性主张”“因果主张”“数值主张”“引文验证” 五类。 示例检索：运用 BM25 算法，从训练集中检索与输入主张类型一致的示例主张，同时获取这些示例主张对应的证据问题；该少量 阅读全文
posted @ 2025-12-08 19:48 Blairs 阅读(6) 评论(0) 推荐(0)
2025年12月5日
Fighting Lies with Intelligence: Using Large Language Models and Chain of Thoughts Technique to Combat Fake News
摘要： 方法 1. 核心策略：LLM结合CoT的检测与解释 目的： 不仅要检测出虚假新闻，还要为分类结果提供透明、合理的解释。 方法： 利用微调后的LLM（如FLAN-T5和LLaMa-2）通过生成逻辑推理来验证或批判新闻标题，从而判断其真假。这种推理过程模拟了人类的思维方式。 2. 关键技术细节 A. 模 阅读全文
posted @ 2025-12-05 12:34 Blairs 阅读(4) 评论(0) 推荐(0)
2025年11月27日
目录树
摘要： 代码 import os import argparse def get_directory_tree(root_dir, show_hidden=False): """ 递归获取目录树结构 参数: root_dir: 根目录路径 show_hidden: 是否显示隐藏目录（以.开头的目录） 返回: 阅读全文
posted @ 2025-11-27 12:28 Blairs 阅读(3) 评论(0) 推荐(0)
下一页
Live2D