When retrieval outperforms generation: Dense evidence retrieval for scalable fake news detection
计算与语言
2025-11-10 v1
摘要
虚假信息的扩散 necessitates robust yet computationally efficient fact verification systems。虽然当前SOTA方法利用大型语言模型（LLM）生成解释性论据，但这些方法在实际部署中面临显著的计算障碍和幻觉风险。我们提出DeReC（Dense Retrieval Classification），一种轻量级框架，展示了通用文本嵌入如何有效地取代基于自回归LLM的方法在事实核查任务中。通过将稠密检索与专用分类结合，我们的系统在准确性上优于现有方法，同时显著更高效。DeReC在效率上优于生成解释性LLM，RAWFC数据集上运行时间降低95%（从454分钟12秒降至23分钟36秒），LIAR-RAW数据集上降低92%（从1692分钟23秒降至134分钟14秒），展示了其在不同数据集规模下的有效性。在RAWFC数据集上，DeReC实现了65.58%的F1分数，超越了SOTA方法L-Defense的61.20%。我们的结果表明，精心设计的检索基系统在特定任务中可以匹配或超越LLM性能，同时在实际部署中更为实用。
引用
@article{arxiv.2511.04643,
title = {When retrieval outperforms generation: Dense evidence retrieval for scalable fake news detection},
author = {Alamgir Munir Qazi and John P. McCrae and Jamal Abdul Nasir},
journal= {arXiv preprint arXiv:2511.04643},
year = {2025}
}