面向虚假新闻检测的可信导向可解释人工智能
计算与语言
2026-03-13 v1
摘要
本文考察了将可解释人工智能 (XAI) 应用于基于自然语言处理的虚假新闻检测中的作用，并比较了所选取的可解释性方法。该工作概述了误information的关键方面、神经网络架构以及 XAI 技术，重点关注 SHAP、LIME 和 Integrated Gradients。在实验研究中，实现了分类模型并使用这些方法进行解释。结果表明，XAI 在保持高检测准确率的同时，提高了模型的透明度和可解释性。每种方法提供独特的解释价值：SHAP 提供详细的局部归因，LIME 提供简单直观的解释，Integrated Gradients 在卷积模型中性能efficient。该研究还指出了局限性，如计算成本和对参数化的敏感性。总体而言，研究结果表明，将 XAI 与 NLP 集成是提高虚假新闻检测系统可靠性和可信度的有效方法。
引用
@article{arxiv.2603.11778,
title = {Trust Oriented Explainable AI for Fake News Detection},
author = {Krzysztof Siwek and Daniel Stankowski and Maciej Stodolski},
journal= {arXiv preprint arXiv:2603.11778},
year = {2026}
}
备注
9 pages, 4 figures, 2 tables