人民日报：让网络虚假新闻无所遁形

-loading-

听音频 🔊 . 看视频 🎦

... 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 ⟶

... 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 ⟶