通过更好的检索核查事实：用于证据检索的动态对比学习
信息检索
2026-05-28 v1 人工智能
摘要
在多模态事实核查领域，从不同模态中检索证据的准确性对下游声明验证过程有显著影响。现有的通用多模态检索方法通常基于语义构建，导致检索到的证据与声明相似但不相关。本文提出了一种用于证据检索的动态自适应对比学习方法，称为DACLR，以解决这些问题。DACLR首先使用多模态大语言模型(MLLM)将多模态证据和声明统一转换为文本模态，并在事件级别提取这些信息的特征。然后，它通过召回-重排的两阶段检索方法进行证据检索。DACLR通过优化对比损失和挖掘困难负样本来增强检索阶段模型的事件感知能力。具体来说，DACLR基于InfoNCE损失在两个层面（语义和事件）设计了三个损失函数。与此对应，设置了三个困难负样本候选集。该模型根据批内样本的准确性监督信号动态调整比例，使模型能够在事件级别学习声明与正样本之间的相关性，同时不遗忘语义检索能力。大量的对比和消融实验证明了DACLR及其内部优化方法的有效性。进一步的研究也证明了DACLR在多模态证据检索领域的优势。
引用
@article{arxiv.2605.27449,
title = {Checking Fact with Better Retrieval: Dynamic Contrastive Learning for Evidence Retrieval},
author = {Zhongtian Hua and Yi Luo and Meijia Yu and Yingjie Han},
journal= {arXiv preprint arXiv:2605.27449},
year = {2026}
}