本研究提出了SceneGraMMi方法，通过整合多模态场景图，提升虚假信息检测的性能。实验表明，该方法在四个数据集上优于现有技术，并展示了模型决策的可解释性。

本文探讨了一种新训练策略，通过结合熵鼓励和对抗校准损失，提高人工智能系统在领域漂移下的可信度和适应性。研究表明，该方法在多个任务中显著优于现有技术，提升了模型的动态决策能力和计算效率，为虚假信息检测和表格数据生成提供了新思路。

本文介绍了针对《2023年阿拉伯语AI任务评估》的方法，包括说服技巧检测和虚假信息检测。使用多种体裁的推文和新闻文章进行二元分类问题，采用预训练的Transformer模型和集成方法，任务1-A和任务2-A分别获得了0.742和0.901的微平均F1分数。

本文研究了LLMs在虚假信息检测中的应用，使用18个可信度信号产生弱标签，并使用弱监督方法预测内容真实性。该方法在两个虚假信息数据集上性能优于现有分类器，同时分析了可信度信号对内容真实性预测的贡献，为虚假信息检测提供了新的见解。