图神经网络用于误信息检测：性能-效率权衡
计算与语言
2026-04-10 v1
摘要
在线误信息的快速传播导致检测模型日益复杂化，包括大型语言模型和混合架构。然而，这些模型的计算成本和部署限制引发了实际应用的关切。本文在受控且可比的条件下，对图神经网络（GNN）与非图基机器学习方法进行基准测试。我们在七个公开数据集（英文、印尼语、波兰语）上评估轻量级GNN架构（GCN、GraphSAGE、GAT、ChebNet）与Logistic回归、支持向量机和多层感知器，所有模型均使用相同的TF-IDF特征以隔离关系结构的影响。性能采用F1分数衡量，推理时间用于评估效率。GNN在所有数据集上均显著优于非图基方法。例如，GraphSAGE在Kaggle数据集上达到96.8%的F1，在WELFake上达到91.9%，分别相对于MLP的73.2%和66.8%。在COVID-19数据集上，GraphSAGE达到90.5%的F1，而ChebNet在FakeNewsNet上达到79.1% vs. 66.4%。这些提升是在相当或更低的推理时间下实现的。总体而言，结果表明经典GNN仍然是有效且高效的，挑战了日益复杂化架构在误信息检测中的必要性。
引用
@article{arxiv.2604.08131,
title = {Graph Neural Networks for Misinformation Detection: Performance-Efficiency Trade-offs},
author = {Soveatin Kuntur and Maciej Krzywda and Anna Wróblewska and Marcin Paprzycki and Maria Ganzha and Szymon Łukasik and Amir H. Gandomi},
journal= {arXiv preprint arXiv:2604.08131},
year = {2026}
}
备注
Accepted at Computational Modeling and Artificial Intelligence for Social Systems Track in ICCS 2026