Comparative Evaluation of Traditional Machine Learning and Transformer Models for Fake News Detection
Cette étude évalue systématiquement quatre modèles d'apprentissage automatique traditionnels par rapport à quatre modèles basés sur les transformeurs à travers cinq ensembles de données publics, démontrant que bien que les architectures de transformeurs comme RoBERTa surpassent de manière significative les méthodes traditionnelles en termes de précision de détection des fausses informations, elles engendrent des coûts computationnels nettement plus élevés, offrant ainsi des perspectives critiques sur le compromis pour la sélection de modèles sous diverses contraintes de ressources.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.