DAAD: Dynamic Analysis and Adaptive Discriminator for Fake News Detection

要約

現在の Web 環境では、フェイク ニュースがオンライン ソーシャル ネットワーク全体に急速に拡散し、社会に深刻な脅威をもたらしています。
既存のマルチモーダルフェイクニュース検出 (MFND) 手法は、知識ベースのアプローチとセマンティックベースのアプローチに分類できます。
しかし、これらの手法は人間の専門知識やフィードバックに過度に依存しており、柔軟性に欠けています。
この課題に対処するために、私たちはフェイク ニュース検出のための動的分析および適応ディスクリミネーター (DAAD) アプローチを提案します。
知識ベースの手法については、大規模言語モデル (LLM) の自己反映機能を活用して迅速な最適化を行うモンテカルロ ツリー検索 (MCTS) アルゴリズムを導入し、より豊富なドメイン固有の詳細とガイダンスを LLM に提供しながら、
ニュースコンテンツに対する LLM コメントのより柔軟な統合。
意味ベースの手法については、感情的誇張、論理的矛盾、イメージ操作、意味的矛盾という 4 つの典型的な欺瞞パターンを定義し、フェイクニュース作成の背後にあるメカニズムを明らかにします。
これらのパターンを検出するために、4 つの識別器を慎重に設計し、ソフト ルーティング メカニズムを使用して最適な検出モデルを探索し、それらを深く広く拡張します。
3 つの現実世界のデータセットに関する実験結果は、私たちのアプローチの優位性を示しています。
コードは https://github.com/SuXinqi/DAAD から入手できます。

要約(オリジナル)

In current web environment, fake news spreads rapidly across online social networks, posing serious threats to society. Existing multimodal fake news detection (MFND) methods can be classified into knowledge-based and semantic-based approaches. However, these methods are overly dependent on human expertise and feedback, lacking flexibility. To address this challenge, we propose a Dynamic Analysis and Adaptive Discriminator (DAAD) approach for fake news detection. For knowledge-based methods, we introduce the Monte Carlo Tree Search (MCTS) algorithm to leverage the self-reflective capabilities of large language models (LLMs) for prompt optimization, providing richer, domain-specific details and guidance to the LLMs, while enabling more flexible integration of LLM comment on news content. For semantic-based methods, we define four typical deceit patterns: emotional exaggeration, logical inconsistency, image manipulation, and semantic inconsistency, to reveal the mechanisms behind fake news creation. To detect these patterns, we carefully design four discriminators and expand them in depth and breadth, using the soft-routing mechanism to explore optimal detection models. Experimental results on three real-world datasets demonstrate the superiority of our approach. The code will be available at: https://github.com/SuXinqi/DAAD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google