本研究首次提出一种结合贝叶斯算法和双向门控循环单元（BiGRU）的混合变压器模型用于虚假新闻检测。实验结果表明，该模型在测试集上的准确率达到99.73%，显著优于传统方法，展示了对抗虚假新闻的潜力。

研究表明，大型语言模型在虚假新闻检测中无法替代小型语言模型，但可作为顾问。作者设计了自适应启示指导网络（ARG），提升检测效果。实验结果显示ARG和ARG-D在真实数据集上优于传统方法。此外，研究探讨了大型语言模型的安全性和脆弱性，强调了对抗性攻击的风险及其对检测系统的影响。

本文探讨了虚假新闻检测的多种方法和模型，如FAKEDETECTOR、MDFEND和ARG，强调了数据集的重要性，包括Fakeddit和FineFake。研究表明，结合多模态特征和领域知识能显著提高检测性能，并提出了新的算法库FaKnow，以支持研究人员。

本文探讨了对抗性鲁棒性在自然语言处理任务中的重要性，分析了现有对抗样本数据集的分布差异及其挑战。研究表明，对抗训练能提升模型在对抗数据集上的表现，但在领域外数据集上效果不佳。提出了新的评估框架和对抗生成方法，以提高模型的鲁棒性，并强调虚假新闻检测器需结合其他方法使用。

在 COVID-19 疫情期间，研究提出了一种结合社交媒体文本和网络信息特征的多输入框架，以提高虚假新闻检测的准确性。通过图分类任务和可信度评估，构建了高效的检测模型，显著提升了社交媒体内容的质量和可信度。

该文综述宣传与虚假新闻检测研究，涵盖：定义可解释特征并结合预训练语言模型提升检测效果；利用一阶逻辑注入细粒度宣传知识；构建多语言亲克里姆林宫宣传检测应用；提出检测全部宣传技巧片段的新任务及多粒度神经网络；探索多任务架构与集成方案；用自我批评训练生成虚假新闻数据集PropaNews以提升检测准确率。

该文汇总多篇宣传与虚假新闻检测研究，涵盖利用大语言模型辅助标注以提升一致性、SemEval宣传技巧检测任务、高质量标注数据集HQP与PropaNews的构建、偏颇与虚假新闻风格关联分析、多粒度神经网络及可解释特征方法，以及多语言虚假信息网站数据集的发布，旨在推动检测工具训练。

该文汇总了团队在多个社交媒体健康信息处理共享任务中的研究成果，主要采用BERT、RoBERTa、CT-BERT等预训练语言模型及集成方法，完成COVID-19推文信息识别、虚假新闻检测、情感分析、亲密伴侣暴力分类和疫苗担忧多标签分类等任务。各系统表现优异，如SMM4H 2023验证集F1达89.31%，AAAI 2021虚假新闻检测加权F1达0.9859，多个任务排名前列。

该文介绍了评论辅助虚假新闻检测方法CAS-FEND，将历史新闻评论中的知识注入到检测模型中，提高了准确性。实验证明，该方法在早期检测方面表现出优越性。

研究者在COVID-19相关主题中进行虚假新闻检测，尝试了支持向量机、随机森林、BERT和RoBERTa等模型。发现预训练转换器和智能设计的随机初始化转换器都能达到较高准确度。