Bài báo này tập trung vào các hệ thống kiểm tra thực tế dựa trên học máy, cụ thể là các phương pháp tổng hợp kết hợp các bộ phân loại đa dạng, nhằm giải quyết các sai lệch tâm lý (chẳng hạn như sai lệch xác nhận) khiến chúng dễ bị tin giả lan truyền trên mạng xã hội. Hiệu suất của các phương pháp tổng hợp hiện có phụ thuộc rất nhiều vào tính đa dạng của các bộ phân loại thành phần, nhưng xu hướng học các mẫu chồng chéo của chúng khiến việc lựa chọn các mô hình có tính đa dạng thực sự trở nên khó khăn. Để giải quyết vấn đề này, chúng tôi đề xuất HierarchySelect, một phương pháp lựa chọn bộ phân loại tự động mới, ưu tiên tính đa dạng giữa các bộ phân loại và xem xét hiệu suất. HierarchySelect tính toán tính đa dạng theo cặp giữa các bộ phân loại và áp dụng phân cụm phân cấp để nhóm chúng thành các mức độ chi tiết khác nhau. Phương pháp này chọn một nhóm các bộ phân loại thể hiện tính đa dạng khác nhau ở mỗi cấp độ và chọn nhóm đa dạng nhất để tạo thành một tổng hợp. Bằng cách kết hợp các số liệu đánh giá phản ánh hiệu suất của từng bộ phân loại, phương pháp này cũng đảm bảo hiệu suất khái quát hóa của tổng hợp. Chúng tôi xác thực hiệu suất của phương pháp bằng cách so sánh nó với các phương pháp hiện có thông qua các thử nghiệm sử dụng sáu tập dữ liệu đa dạng và 40 bộ phân loại không đồng nhất.
