基于分布式学习的联邦大语言模型用于假新闻检测

《Scientific Reports》：Distributed learning-enabled federated large language model for fake news detection

　　

摘要

假新闻检测是通过社交媒体传播的误导性或捏造内容的检测过程。假新闻会导致社会不稳定，增加数据泄露风险，并影响用户隐私。现有的假新闻检测模型未能解决某些挑战，包括过拟合问题、泛化能力降低和计算复杂度。因此，本研究提出了生物特征认证 - 分布式学习启用的联邦大语言模型（Bio-DFLLM）来检测假新闻。混合生物特征的利用通过聚合中心共享数据增强了多个用户的隐私。多种特征提取技术的引入学习复杂特征，并通过降低计算需求和减轻过拟合挑战简化了检测过程。此外，预训练响应事实核查器利用其域适应和可靠性增强特性增强了研究可靠性。本质上，基于 TensorFlow 镜像策略的分布式学习和联邦学习利用其数据并行和模型聚合特性减少了计算问题并实现了更好的可扩展性。实验结果证明假新闻检测模型的优越性，使用名为“假新闻检测”的数据集进行 90% 训练，达到了 98.35% 的准确率、98.40% 的灵敏度、98.27% 的精确率和 98.40% 的召回率。