打击健康新闻中的虚假信息：利用DCNN-CapsNet进行跨领域健康虚假信息检测

《ACM Transactions on Intelligent Systems and Technology》：Fighting Misinformation in Health News: DCNN-CapsNet for Cross-Domain Health Misinformation Detection

跨领域虚假信息检测研究提出DCNN-CapsNet混合模型，采用COVID-19数据集训练并集成边际损失函数和增量微调技术，在COVID-19和猴痘数据集上分别达到97.34%和96.03%准确率，跨领域测试准确率达89.25%。

　　

摘要

摘要：在数字信息时代，错误信息的传播构成了一个重大挑战，尤其是在疫情等危机期间。检测和打击错误信息对于保障公共卫生和安全至关重要。在这项研究中，我们专注于跨领域的健康新闻错误信息检测，利用新冠数据集训练了一个能够识别猴痘相关错误信息文章的模型。我们提出了一种新颖的混合模型，结合了深度卷积神经网络（DCNN）和胶囊神经网络（CapsNet）的优势，称为DCNN-CapsNet。该模型充分利用了这两种神经网络架构在分类任务中的优势。为了提升学习效果，我们采用了增量微调方法，使模型能够从动态的预训练词嵌入开始，并在训练过程中不断更新这些嵌入。这种方法确保了嵌入与错误信息检测的具体任务保持相关性，同时适应数据集的细微差别。此外，我们还将边际损失作为架构的关键组成部分。边际损失通过最大化簇内相似性和簇间差异性来提升模型学习区分性特征的能力。与传统交叉熵损失相比，边际损失通过在预测输出和决策边界之间设置间隔来减少类别重叠并降低过拟合风险。通过确保“真实”新闻和“虚假”新闻的表示得到充分区分，边际损失增强了模型在不同领域检测错误信息的鲁棒性。我们的模型在新冠数据集上的表现优于多个基线模型，准确率达到97.34%，F1分数为97.29%；在猴痘数据集上的表现也优于基线模型，准确率达到96.03%，F1分数为95.75%。跨领域评估（在新冠数据上训练、在猴痘数据上测试）也显示出优异的性能，准确率为89.25%，F1分数为94.16%，超过了相同基线模型在跨领域环境中的表现。这些结果凸显了我们方法在跨领域错误信息检测方面的有效性及其在多种场景中对抗错误信息的广泛应用潜力。