多模态虚假新闻检测方向论文汇总（更新）

Multimodal fusion with recurrent neural networks for rumor detection on microblogs. MM-2017

作者：Zhiwei Jin, Juan Cao, Han Guo, Yongdong Zhang
数据集：MediaEval Verifying Multimedia Use benchmark + 微博官方谣言揭穿系统上爬取，构建包含图像的多媒体数据集
方法：这篇文章提出了一个新的基于 RNN 和 attention 的方法，来融合多模态特征来进行高效的谣言检测。
模型：

EANN: Event Adversarial Neural Networks for Multi-Modal Fake News Detection. KDD-2018

作者：Yaqing Wang1, Fenglong Ma1, Zhiwei Jin2, Ye Yuan3 Guangxu Xun1, Kishlay Jha1, Lu Su1, Jing Gao1
数据集：MediaEval Verifying Multimedia Use benchmark + 微博官方谣言揭穿系统上爬取，构建包含图像的多媒体数据集
方法：在虚假新闻检测问题中有一个特别挑战，如何识别新发生的事件的虚假新闻。大多数现有的方法学习事件特殊的特征，无法迁移到没见过的事件。这篇文章提出了 EANN，使用对抗训练提出事件不变的特征，有利于检测新发生的事件上的虚假新闻。

Exploiting Multi-domain Visual Information for Fake News Detection.ICDM-2019

作者：Peng Qi1,2, Juan Cao1,2, Tianyun Yang1,2, Junbo Guo1 and Jintao Li1
数据集： 微博官方谣言揭穿系统上爬取，构建包含图像的多媒体数据集（MM2017）
方法：虚假新闻中的图片和真实新闻的图片在物理和语义级别有很大的不同，这可以反应在频域和像素域。这篇文章提出了 MVNN 来融合频域和像素域的视觉信息来帮助欺诈检测。

MVAE : Multimodal Variational Autoencoder for Fake News Detection. WWW-2019

作者：Dhruv Khattar ,Jaipal Singh Goud ,Manish Gupta ,Vasudeva Varma
数据集：
方法：现在的虚假新闻检测的方法有一个缺点，针对多模态的信息，他们不能学习一个共享的表示。这篇文章提出了 MVAE，使用一个双模态的 VAE（变分自动编码机）。

Detecting Cross-Modal Inconsistency to Defend Against Neural Fake News.EMNLP-2020

作者：Reuben Tan ,Bryan A. Plummer ,Kate Saenko
数据集：
方法：这篇文章提出了一个新的问题，如何防御带有图片和图片描述的虚假新闻。为了解决这个问题，他们提出了 DIDAN，使用文本和图片、图片描述之间的语义一致性来检测机器生成的文章。

Multimodal Emergent Fake News Detection via Meta Neural Process Networks.KDD-2021

作者：Yaqing Wang§, Fenglong Ma⋄, Haoyu Wang§, Kishlay Jha† and Jing Gao§
数据集：
方法：现有的虚假新闻检测方法很难检测新出现的事件（很难获得样本）。这篇文章提出了一种 MetaFEND 的方法，可以基于少量验证过的帖子快速检测新出现的事件。