Key points are not available for this paper at this time.
La détection automatique de la tromperie est une tâche importante qui a gagné en popularité en linguistique computationnelle en raison de ses applications potentielles. Dans cet article, nous proposons un modèle neuronal multimodal simple mais difficile à battre pour la détection de la tromperie. En combinant des caractéristiques de différentes modalités telles que la vidéo, l'audio et le texte, ainsi que des caractéristiques de micro-expressions, nous montrons que la détection de la tromperie dans des vidéos réelles peut être plus précise. Les résultats expérimentaux sur un ensemble de données de vidéos de tromperie réelles montrent que notre modèle surpasse les techniques existantes pour la détection de la tromperie avec une précision de 96,14 % et un ROC-AUC de 0,9799.
Krishnamurthy et al. (Thu,) ont étudié cette question.