记住过去，预见未来：学习持续多模态虚假信息检测器
计算与语言
2025-07-09 v1 多媒体
摘要
如今，尤其是多模态虚假信息文章在社交媒体平台上广泛传播，造成严重的负面影响。为了控制其传播，多模态虚假信息检测 (MMD) 成为社区的活跃研究主题，以自动识别虚假信息。以往的 MMD 方法侧重通过收集离线数据来监督检测器。然而，在实际场景中，新事件总是不断涌现，使得基于离线数据训练的 MMD 模型持续过时且无效。为此，面向在线数据流训练 MMD 模型是一种替代方案，诱导了一种新兴的持续 MMD 任务。然而，这受到两个主要挑战的阻碍：其一，训练新数据会持续降低对过去数据的检测性能，称为过去知识遗忘；其二，社交环境随时间不断演变，影响对未来数据的泛化。为缓解这些挑战，我们提出通过隔离事件特定参数与基于 Dirichlet 过程的混合专家结构之间的干扰来记住过去的知识，同时通过学习连续时间动态模型来预见未来的环境分布。相应地，我们诱导了一种新的持续 MMD 方法 DAEDCMD。广泛的实验表明，DAEDCMD 在与六个 MMD 基线和三个持续学习方法的比较中，能够持续且显著地取得优势。
引用
@article{arxiv.2507.05939,
title = {Remember Past, Anticipate Future: Learning Continual Multimodal Misinformation Detectors},
author = {Bing Wang and Ximing Li and Mengzhe Ye and Changchun Li and Bo Fu and Jianfeng Qu and Lin Yuanbo Wu},
journal= {arXiv preprint arXiv:2507.05939},
year = {2025}
}
备注
Accepted by ACM MM 2025. 10 pages, 6 figures. Code: https://github.com/wangbing1416/DAEDCMD