基于数据驱动的社交媒体假新闻预测（英文）

社交媒体的快速发展导致了虚假新闻的广泛传播，这不仅影响了人们的生活，也损害了社交媒体平台的可信度。因此，中文假新闻检测是一项具有挑战性且意义重大的任务。然而，现有的中国社交媒体平台的假新闻数据集数据量相对较少，该领域的数据收集相对陈旧，不能满足进一步研究的要求。考虑到这一背景，本文提出了一个最新的中文微博假新闻数据集，其中包含从微博收集的26320条假新闻数据。此外，还提出了一种基于数据增强的假新闻检测模型，可以有效解决假新闻数据缺乏的问题，提高模型的泛化能力和鲁棒性。对从微博收集的假新闻数据集进行了大量实验，并成功将模型部署在网页上。实验结果证明了所提出的端到端模型在检测社交媒体平台上的虚假新闻方面的有效性。     

深度人脸伪造与检测技术综述

由于现有深度人脸伪造软件通常是开源的或者被封装为APP免费分发，导致了虚假视频的泛滥。因此开展针对深度人脸伪造检测技术的研究就显得尤为重要。目前，深度人脸伪造及检测技术正处在快速发展时期，各种相应的算法也在不断更新迭代。本文首先介绍了深度人脸伪造和其检测技术的代表性算法并给出简要分析，其中深度人脸伪造技术包括身份替换、面部重演、属性编辑、人脸生成等，检测技术包括图像级伪造检测技术和视频级伪造检测技术。然后归纳总结了常用的深度人脸伪造与检测数据集及不同算法的评估结果，最后讨论了伪造技术及其检测技术目前面临的主要问题及发展方向。     

基于时空切片的新闻主播检测算法

为实现海量新闻视频的有效索引和检索,提出了一种基于时空切片（spatio—temprol slice,STS）特性的新闻主播检测方法．通过对时空切片的模式分析,聚类和信息融合,实现了新闻主播镜头的自动检测．该方法完全通过对新闻视频结构的分析,利用其共有的特性,对不同的新闻视频实现主播镜头自适应检测．大规模实验证明了该算法准确性高,鲁棒性强且计算复杂度低．     

基于深度学习的网络入侵检测研究综述

互联网的不断发展与广泛使用给网络用户带来了极大的方便,但同时也使得网络安全形势变得越来越严峻.传统的基于签名的入侵检测方法难以应对日益增多的加密攻击检测和零日攻击检测问题.在过去的几年里,人们对基于深度学习的入侵检测技术给予了极大的关注.文章通过广泛的文献调查,介绍了利用深度学习技术进行网络异常检测的最新工作:①总结了网络入侵检测常用的输入特征和相关预处理操作;②概括了几种常见的深度学习模型及其特点,并结合输入特征讨论了各个模型的选择方法;③总结了深度学习方法能够解决的几种常见的入侵检测问题;④讨论了利用深度学习进行入侵检测时仍然存在的若干挑战与问题.