买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军国防科技大学申请的专利基于信息熵引导的去偏多模态虚假新闻检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121434925B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202512038627.7，技术领域涉及：G06F18/241；该发明授权基于信息熵引导的去偏多模态虚假新闻检测方法是由张宇晨;罗廷金设计研发完成，并于2025-12-31向国家知识产权局提交的专利申请。

本基于信息熵引导的去偏多模态虚假新闻检测方法在说明书摘要公布了：本发明属于新闻检测领域，具体涉及一种基于信息熵引导的去偏多模态虚假新闻检测方法，其方法包括：获取训练新闻数据集，训练新闻数据集包括新闻图像集、新闻文本集以及真实标注集；构建预测模型，使用训练新闻数据集对预测模型进行训练，得到预测损失、总分类损失以及解耦总损失，将预测损失、总分类损失以及解耦总损失求和，得到总损失，获取总损失最小时的预测模型参数，得到最优参数，根据最优参数更新预测模型，得到最优预测模型；获取实际新闻数据集；将实际新闻数据集输入最优预测模型中，得到预测结果，预测结果为新闻为真或者假。本申请具有提高新闻真假判断准确性的效果。

本发明授权基于信息熵引导的去偏多模态虚假新闻检测方法在权利要求书中公布了：1.一种基于信息熵引导的去偏多模态虚假新闻检测方法，其特征是，包括： 获取训练新闻数据集，所述训练新闻数据集包括新闻图像集、新闻文本集以及真实标注集； 构建预测模型，使用训练新闻数据集对预测模型进行训练，得到预测损失、总分类损失以及解耦总损失，将预测损失、总分类损失以及解耦总损失求和，得到总损失，获取总损失最小时的预测模型参数，得到最优参数，根据所述最优参数更新所述预测模型，得到最优预测模型； 获取实际新闻数据集； 将实际新闻数据集输入所述最优预测模型中，得到预测结果，所述预测结果为新闻为真或者假； 所述使用训练新闻数据集对预测模型进行训练，得到预测损失、总分类损失以及解耦总损失的过程如下： 提取新闻图像集的特征，得到图像特征，提取新闻文本集的特征，得到文本特征； 将所述图像特征和所述文本特征进行全局特征提取、拼接、分离以及映射操作，得到初始图像特征、初始文本特征以及初始融合特征； 所述根据所述初始融合特征、初始图像特征以及初始文本特征，得到解耦总损失； 根据所述图像特征和文本特征得到图像嵌入特征和文本嵌入特征，将图像嵌入特征和文本嵌入特征进行非线性变换，得到非线性变换特征，将所述非线性变换特征进行加权，得到注意力得分，根据所述注意力得分以及非线性变换特征，得到加权特征，所述加权特征包括图像加权特征和文本加权特征； 将所述图像加权特征、文本加权特征以及初始融合特征输入分类器中，得到熵特征，根据所述熵特征计算得到熵权重，所述熵权重包括图像熵权重、文本熵权重以及融合熵权重； 根据所述图像加权特征、文本加权特征以及初始融合特征得到图像分类器特征、文本分类器特征以及融合分类器特征，根据图像分类器特征、文本分类器特征、融合分类器特征以及真实标注集，得到图像分类损失、文本分类损失以及融合分类损失； 根据图像分类损失、文本分类损失、融合分类损失、图像熵权重、文本熵权重以及融合熵权重，得到总分类损失； 根据所述初始图像特征、所述初始文本特征和初始融合特征，计算得到差向量，根据所述差向量以及初始特征，得到前馈特征； 根据所述前馈特征、查询向量、键向量和值向量，进行注意力更新，得到更新特征，所述更新特征包括图像更新特征、文本更新特征以及融合更新特征，所述查询向量、键向量和值向量通过前馈特征得到； 将所述图像更新特征、所述文本更新特征以及所述融合更新特征拼接，得到最终特征； 将所述最终特征输入预测分类器中，得到预测值，根据所述预测值以及所述真实标注集，得到预测损失。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军国防科技大学，其通讯地址为：410003 湖南省长沙市开福区德雅路109号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。