离散事实与情感：面向多模态假新闻检测的动态冲突共识框架
机器学习
2026-05-05 v2 人工智能
摘要
流行的多模态假新闻检测依赖于基于一致性的融合，但这一范式根本误解了关键跨模态差异，将其视为噪声，导致过度平滑，稀释了制造欺骗的关键证据。主流的基于一致性的融合本质上最小化特征差异以对齐模态，然而这种方法根本性失败，因为它不慎平滑了作为制造欺骗主要证据的细微跨模态矛盾。为此，我们提出动态冲突共识框架（DCCF），一种寻求不一致性的范式，旨在放大而非抑制矛盾。首先，DCCF将输入分解为独立的事实与情感空间，以区分客观不匹配与情感不和谐。其次，我们采用物理学启发的特征动力学，迭代极化这些表示，主动提取最具信息的冲突。最后，冲突共识机制将这些局部差异标准化为针对全局上下文的稳健 deliberative 判断。广泛的在三个真实世界数据集上的实验表明，DCCF consistently优于最先进的基线方法，平均准确率提升3.52%。
引用
@article{arxiv.2512.20670,
title = {Disentangling Fact from Sentiment: A Dynamic Conflict-Consensus Framework for Multimodal Fake News Detection},
author = {Weilin Zhou and Zonghao Ying and Rongchen Zhao and Chunlei Meng and Quanchen Zou and Deyue Zhang and Enhao Gu and Mingze Liu and Dongdong Yang and Xiangzheng Zhang},
journal= {arXiv preprint arXiv:2512.20670},
year = {2026}
}