... 2023-05-30 02:20 .. 给网络虚假新闻的治理带来了新挑战。
当前,自媒体平台多元多样,用户范围越来越广,传播力不断增强。
借助这些平台,网络虚假新闻一旦出现,传播速度加快,造成的不良影响也会更加严重。
比如,一张图片配上几行说明的虚假新闻,很快就能“转载破万”。
此外,随着人工智能、虚拟现实等技术的使用,网络虚假新闻的生产更加快捷,更容易以假乱真,让普通人难以分辨图文、视频内容的真实性,网友感慨:“现在,有图也不一定有真相.”
因此,打击新闻“李鬼”,既要猛药去疴、重典治乱,也应与时俱进、创新治理举措。
作为信息内容管理第一责任人,网络平台有责任完善举措,有力应对花样百出的网络虚假新闻。
当前,有的网络平台已经可以通过技术手段识别疑似虚假信息、人工智能生成信息,但对用户的提示、对信息的删除等有时并不及时;有的网络平台对于虚假新闻、仿冒账号仅是一删了之、一封了之,对于其“换个马甲”继续发布虚假新闻 .. UfqiNews ↓ 3
... 10-11 15:17 , 217 , 220 ..
5 循环神经网络循环神经网络也被称为时间递归神经网络(Recurrent neural network)在前面讨论的卷积神经网络,无法利用历史数据的时间依赖关系,来分析数据特征,对于二维图像来讲,我们已经知道局部感受视野这种空间信息是识别问题的核心,在另外一些与时间相关的问题中,输入的数据是基于时间的序列,卷积网络就无能为力了.
这时候,核心问题是需要了解数据的时间序列关系,实际上,RNN最早是由Hopfiled网络启发变种而来,因此有些类似Hopfiled的联想记忆功能.例如,如果我们试图预测一下“天空飞过一只__”这句话最后一个词是什么?利用前面输入的一连串的历史信息:“天 空 飞 过 一 只”,我们就能大致猜出最后一个词可能是某种具有飞行功能的事物,历史(时间信息)对于我们推测未来,是极有帮助的,不可轻易抛弃.
而RNN的核心诉求之一,就是能将以往的信息连接到当前任务之中.
RNN模型有比较多的变种,一种主流的RNN模型结构如 ... 理解计算:从根号2到AlphaGo -23: 第8季 深度学习发展简史-4 ⟶
5 循环神经网络循环神经网络也被称为时间递归神经网络(Recurrent neural network)在前面讨论的卷积神经网络,无法利用历史数据的时间依赖关系,来分析数据特征,对于二维图像来讲,我们已经知道局部感受视野这种空间信息是识别问题的核心,在另外一些与时间相关的问题中,输入的数据是基于时间的序列,卷积网络就无能为力了.
这时候,核心问题是需要了解数据的时间序列关系,实际上,RNN最早是由Hopfiled网络启发变种而来,因此有些类似Hopfiled的联想记忆功能.例如,如果我们试图预测一下“天空飞过一只__”这句话最后一个词是什么?利用前面输入的一连串的历史信息:“天 空 飞 过 一 只”,我们就能大致猜出最后一个词可能是某种具有飞行功能的事物,历史(时间信息)对于我们推测未来,是极有帮助的,不可轻易抛弃.
而RNN的核心诉求之一,就是能将以往的信息连接到当前任务之中.
RNN模型有比较多的变种,一种主流的RNN模型结构如 ... 理解计算:从根号2到AlphaGo -23: 第8季 深度学习发展简史-4 ⟶
... 10-11 15:11 , 216 , 215 ..
4 卷积神经网络1980年,一位法国的大学生Yann LeCun通过《Perceptron》接触到了神经元模型,这种看起来具有智慧的机器让他十分着迷,可是他发现关于神经网络的资料简直少的可怜,实际上,就像我们前面所提到的那样,在60年代已经出现的一个关于多层神经网络如何训练这个重要问题,几乎没多少人研究,更别说解决问题了.
那个时候,大多数关于神经网络的研究成果都是日本人做出来的,因为西方人已经几乎抛弃了这个领域了.
在法国,由于Hopfield的振奋人心的作用,依然有一些人坚守这神经网路的研究阵地,Yann LeCun通过这些人的推荐,看到了Geoffrey Hinton 和 Terrence Sejnowski关于玻尔兹曼机的研究论文,这让他们的相遇几乎成为必然.
在一次学术会议上,Yann LeCun结识了Terrence, Terrence立即告诉Hinton,一个法国的小孩也在做与他们几乎相同的研究.
他们都意识到了求导( ... 理解计算:从根号2到AlphaGo -22: 第8季 深度学习发展简史-3 ⟶
4 卷积神经网络1980年,一位法国的大学生Yann LeCun通过《Perceptron》接触到了神经元模型,这种看起来具有智慧的机器让他十分着迷,可是他发现关于神经网络的资料简直少的可怜,实际上,就像我们前面所提到的那样,在60年代已经出现的一个关于多层神经网络如何训练这个重要问题,几乎没多少人研究,更别说解决问题了.
那个时候,大多数关于神经网络的研究成果都是日本人做出来的,因为西方人已经几乎抛弃了这个领域了.
在法国,由于Hopfield的振奋人心的作用,依然有一些人坚守这神经网路的研究阵地,Yann LeCun通过这些人的推荐,看到了Geoffrey Hinton 和 Terrence Sejnowski关于玻尔兹曼机的研究论文,这让他们的相遇几乎成为必然.
在一次学术会议上,Yann LeCun结识了Terrence, Terrence立即告诉Hinton,一个法国的小孩也在做与他们几乎相同的研究.
他们都意识到了求导( ... 理解计算:从根号2到AlphaGo -22: 第8季 深度学习发展简史-3 ⟶
本页Url
🤖 智能推荐