Debunk and Infer：基于扩散生成证据与 LLM 推理的多模态假新闻检测
计算与语言
2025-06-30 v1
摘要
假新闻在多媒体平台的快速传播构成严重的信任度挑战。本文提出了 Debunk-and-Infer 框架用于假新闻检测（DIFND），该框架利用 debunking 知识来增强假新闻检测的性能和可解释性。DIFND 将条件扩散模型的生成能力与多模态大型语言模型（MLLMs）的协作推理能力相结合。具体而言，采用 debunk diffusion 生成基于新闻视频的多模态内容所产生的反驳或认证证据，丰富了评估过程，提供多样且语义对齐的合成样本。为改进推断，我们提出了 chain-of-debunk 策略，由多智能体 MLLM 系统生成逻辑依据、多模态感知的推理内容和最终的真实性判断。通过在统一的架构中联合建模多模态特征、生成的 debunking 线索和充满推理内容的验证，DIFND 在检测准确率上实现显著提升。大量实验在 FakeSV 和 FVC 数据集上表明，DIFND 不仅在现有方法上取得优异成绩，还能提供可靠的决策。
引用
@article{arxiv.2506.21557,
title = {Debunk and Infer: Multimodal Fake News Detection via Diffusion-Generated Evidence and LLM Reasoning},
author = {Kaiying Yan and Moyang Liu and Yukun Liu and Ruibo Fu and Zhengqi Wen and Jianhua Tao and Xuefei Liu},
journal= {arXiv preprint arXiv:2506.21557},
year = {2025}
}