假新闻以前所未有的速度传播，到达全球受众，通过社交媒体平台将用户和社区置于极大的风险之中。基于深度学习的模型在对感兴趣事件上的大量标记数据进行训练时表现出良好的性能，而模型在其他事件上的性能则由于域漂移而下降。因此，现有的突发事件假新闻检测方法面临着重大挑战，难以获得大规模标记数据集。此外，添加来自新突发事件的知识需要从头构建一个新模型或继续微调模型，这对于现实世界的设置可能是具有挑战性的、昂贵的和不现实的。为了应对这些挑战，我们提出了端到端假新闻检测框架MetaFEND，该框架能够快速学习并检测突发事件中的假新闻，并且有一些经过验证的帖子。具体来说，该模型将元学习和神经过程方法集成在一起，以享受这些方法的好处。特别提出了标签嵌入模块和硬注意力机制，通过处理分类信息和修剪不相关的帖子来提高效率。在从Twitter和微博收集的多媒体数据集上进行了广泛的实验。实验结果表明，该模型能够有效地检测出未见事件的假新闻，并优于现有的方法。

https://www.zhuanzhi.ai/paper/06fdf27a554856958112b948ec9787e9