通过 LLM 驱动的创意过程模拟增强假新闻视频检测

短视频平台假新闻的兴起已成为新的重大社会议题，亟需针对视频新闻特性开发自动检测系统。当前检测器主要依赖基于模式的特征来区分假新闻视频与真实视频。然而，受限且缺乏多样化训练数据的假新闻视频检测性能受到偏置模式的制约。这种弱点源于现实场景中视频材料片段与被制造新闻事件之间的复杂多对多关系：单个视频剪辑可被用于创建多种不同的假叙事，而单个制造的事件通常组合来自多个 distinct video segments。然而，现有数据集未能充分反映此类关系，由于收集和标注大规模真实数据较为困难，导致覆盖范围稀疏，难以全面学习潜在假新闻视频创建的特征。为此，我们提出了数据增强框架 AgentAug，通过模拟典型的创意过程生成多样化的假新闻视频。AgentAug 实现了四种新闻视频创作类别的多个 LLM 驱动的管道，结合基于不确定性抽样的主动学习策略，以选择潜在有用的增强样本。实验结果表明，在两个基准数据集上，AgentAug 持续显著提升了短视频假新闻检测器的性能。