近日，可信人工智能教育部工程研究中心课题组在国际数据工程的顶级会议《International Conference on Data Engineering》（ICDE）（CCF A）在线发表了题为“Dual-Teacher De-biasing Distillation Framework for Multi-domain Fake News Detection”的研究论文。该论文的第一作者为课题组的研究生李佳洋，共同第一作者为博士生冯旋，通讯作者为古天龙教授。
图1 大会作报告的PPT首页
随着社交媒体的普及，跨领域假新闻检测变得尤为紧迫和重要。现有的方法主要集中在提高整体假新闻检测性能上，却忽略了不平衡数据导致的领域间不同等对待问题，即领域偏差问题。例如，不同领域的假新闻数量和比例存在显著差异，这可能导致模型在预测时对某些领域产生歧视。为了解决领域偏差问题，作者提出了双教师去偏蒸馏框架（DTDBD）。该框架采用了教师-学生结构，其中预训练的大型教师模型指导学生模型。DTDBD包含一个无偏教师（unbiased teacher）和一个干净教师（clean teacher），它们共同指导学生模型减轻领域偏差并保持性能。文章提出的DTDBD框架有效地减轻了现实世界数据集中的领域偏差，同时提升了跨领域假新闻检测的性能，达到了中国数据集上的最新性能水平。
图2 DTDBD框架
这篇文章为假新闻检测领域提供了一种新的视角，即通过双教师去偏蒸馏框架来解决领域偏差问题。这种方法不仅有助于提高模型的公平性，还能够保持甚至提升模型的整体性能。对于公众号的读者来说，这篇文章提供了一个深入了解人工智能如何在复杂和不平衡数据中做出更公平决策的机会。
该研究工作得到了国家自然科学基金重点项目（U22A2099, 62336003）等的支持。
