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。

FASTTRACK 是一种新方法，利用大型语言模型验证查询的支持证据并聚类训练数据库，从而显著提高准确性和效率。FActScore 评估生成文本的真实性，计算支持原子事实的知识来源比例。此外，研究提出了 FAKTA 框架，整合事实核查过程，提升虚假信息检测的效率。整体目标是提高大型语言模型的事实准确性，解决虚假信息检测中的挑战。

本文探讨了多模态大型语言模型（如MiniGPT-4和Emotion-LLaMA）在情感识别和图像分类中的应用。通过整合音频、视觉和文本输入，显著提升了情感识别能力，并在多个数据集上取得了优异成绩。此外，RAEmoLLM框架在虚假信息检测中表现出色，提升了检测准确性。

本文介绍了在阿拉伯语NLP 2023的ArAIEval挑战中，使用XLM-RoBERTa模型识别推特和新闻中的说服技巧。通过微调多语言模型，任务1的微观F1分数达到0.64，显示出良好的效果。此外，研究探讨了虚假信息检测及阿拉伯语自然语言理解的最新进展，提出了多种新模型并取得显著性能提升。

本文回顾了大型语言模型（LLM）在网络领域的应用，探讨了其在虚假信息检测、飞行轨迹重建和网络安全中的潜力与挑战。研究提出了NetLLM框架，展示了LLM在网络任务中的有效性，并讨论了安全性、脆弱性及伦理考量，旨在推动该领域的发展。

研究探讨了大型语言模型（LLMs）在社会学实验中的辩论能力及其局限性。结果显示，LLMs在模拟人类互动时存在偏见，影响其表现。通过辩论方法，非专家模型的准确率提高至76%。LLMs在虚假信息检测和论证推理方面表现良好，但仍需克服语言不一致等挑战，以增强其作为可靠工具的能力。

该文综述多模态大语言模型研究进展，涉及MentalLLaMA心理健康分析、MM-Soc社交媒体理解基准、Kosmos-1多模态模型、LEMMA虚假信息检测、SoMeLVLM社交处理模型，以及多语言意图检测与知识蒸馏方法，并指出模型社交理解能力仍需提升。

该综述涵盖多项论证生成研究：ArgTersely基准与Arg-LlaMA模型利用BERT评估器生成句级反驳；CANDELA框架从千万文章中检索生成对抗论证；多任务学习结合立场分类优化反驳；知识图谱改进证据检索；ArguGPT数据集检测AI生成论述，准确率超90%；外部知识库生成反叙事以对抗仇恨言论；预训练提升辩论推理；自动生成对立数据增强NLP模型；GPT-3.5-turbo以毒攻毒检测虚假信息，准确率68-72%；编码器-解码器模型检索维基百科生成话题相关论证。

大语言模型生成的虚假信息比人类编写的更难检测，威胁在线安全与公众信任。现有ChatGPT检测方法均无法有效识别其生成内容。研究探索了LLM生成谣言的影响，提出FACT-GPT等自动化事实核查方案，利用LLM进行主张匹配，效果接近人工判断。AI助推的社交机器人可生成人类风格内容传播有害信息，现有分类器难以区分。LLM在事实核查中展现潜力，但准确性不稳定，需谨慎使用。

本文综述大语言模型在虚假信息检测中的研究，涵盖利用启发式与多示例学习提升检测性能，提出零样本跨语言迁移、远程学习等框架以实现跨语言跨领域谣言检测，分析谣言语言特征，探讨大语言模型生成虚假信息的风险及防御策略，并验证对比转移、对抗对比学习等方法在低资源场景下的有效性。

该文综述多项研究，探讨利用自然语言处理识别俄乌战争中的亲俄宣传与假新闻，方法包括基于Transformer和语言特征的多语言检测、逻辑回归分类及实时宣传监测系统，并关注事实核查、可解释性与伦理问题，以提升虚假信息治理效率。

该文综述社交媒体虚假信息检测研究，提出概率马尔可夫传播模型、标记时间点过程算法Curb、多输入框架及人机交互方法，结合图论与深度学习提升检测准确性与时效性，并探讨仇恨言论与心理健康的关联。

本文综述多项研究：大语言模型生成的虚假信息比人类撰写的更难检测、更具欺骗性，现有检测器对机器生成内容存在偏见。研究者提出“以毒攻毒”策略，用GPT-3.5-turbo检测虚假信息，准确率达68-72%，并通过对抗训练、提示方法（如HiSS）和事实核查扩充数据集等手段提升检测性能，同时探讨防御策略与安全评估。

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。