بررسی سه روش شبکه های عصبی بازمانده، شبکه عصبی کانولوشنی و مدل های حافظه کوتاه مدت در شناسایی اخبار جعلی

این پژوهش به بررسی سه روش شبکه های عصبی بازمانده، شبکه عصبی کانولوشنی و مدل های حافظه کوتاه مدت در شناسایی اخبار جعلی می پردازد. در این پژوهش تکنیک های کاهش ابعاد داده نظیر تحلیل مولفه های اصلی (PCA) به کار گرفته شده اند تا پیچیدگی داده ها کاهش یافته و دقت مدل ها بهبود یابد. نتایج حاصل نشان می دهد که رویکردهای پیشنهادی مانند شبکه های عصبی بازمانده (ResNet) و مدل LSTM دو جهته عملکرد مناسبی در شناسایی اخبار جعلی دارند. مدل Reset توانایی چشمگیری در استخراج ویژگی های پیچیده دارد و مدل LSTM دوجهته با پردازش اطلاعات ترتیبی روابط معنایی عمیق را شناسایی می کند، این روش ها به دلیل ساختار ساده سرعت پردازش، بالا و دقت پیش بینی، بیشتر به عنوان یک راهکار کارآمد شناخته می شوند. این تحقیق نشان دهنده پتانسیل قابل توجه تکنیک های یادگیری ماشین در مقابله با انتشار اطلاعات نادرست است.

کلیدواژه ها:

شناسایی اخبار جعلی ، شبکه های عصبی بازمانده ، شبکه عصبی کانولوشنی ، مدل های حافظه کوتاه مدت