信息有限时，假新闻检测是否真的更好？
信息检索
2025-04-30 v2
摘要
在线假新闻和误information 威胁对民主制度、司法、公众信任，尤其是对最脆弱的人群构成的威胁，导致了对假新闻检测和干预需求的激增。无论是多模态还是纯文本方法，大多数假新闻检测方法都依赖于对整个文章的文本分析。然而，这些假新闻检测方法存在某些局限性。例如，依赖完整文本的假新闻检测方法计算效率低下，需要大量训练数据才能实现具竞争力的准确率，并且可能在不同数据集之间缺乏鲁棒性。这是因为假新闻数据集在信息水平和类型方面存在显著差异；有的包括大量带有图像和元数据的文本段落，而另一些则仅为几句简短的话语。或许如果只使用最小信息来检测假新闻，假新闻检测方法就能更具鲁棒性和抗信息缺失的能力。我们旨在通过使用系统性选择的有限信息来实现假新闻检测，从而克服这些限制。我们提出了一个称为SLIM（Systematically-selected Limited Information）的框架用于假新闻检测。在SLIM中，我们通过引入信息论度量来量化信息量。SLIM利用有限信息，在假新闻检测方面达到与使用完整文本获取的状态最佳方法相当的性能。此外，通过组合各种类型的有限信息，SLIM可以在显著减少训练所需信息量的同时，甚至优于基于状态最佳语言模型的假新闻检测技术。
引用
@article{arxiv.2504.01922,
title = {Is Less Really More? Fake News Detection with Limited Information},
author = {Zhaoyang Cao and John Nguyen and Reza Zafarani},
journal= {arXiv preprint arXiv:2504.01922},
year = {2025}
}