[論文レビュー] Adaptive Interaction Fusion Networks for Fake News Detection

Lianwei Wu, Yuan Rao|arXiv (Cornell University)|Apr 21, 2020

Misinformation and Its Impacts参考文献 30被引用数 20

ひとこと要約

本稿では、矛盾する意味と類似する意味を捉えるために、ゲート付き自己適応的相互作用ネットワーク（GAIN）を用いて投稿とコメント間のクロス相互作用をモデル化し、意味レベルの統合自己注意ネットワーク（SFSN）を用いて深層特徴統合を実現する、偽ニュース検出のための適応的相互作用統合ネットワーク（AIFN）を提案する。AIFNは、RumourEvalとPHEMEの両データセットで最先端性能を達成し、それぞれ2.05%および1.90%の精度向上を達成した。

ABSTRACT

The majority of existing methods for fake news detection universally focus on learning and fusing various features for detection. However, the learning of various features is independent, which leads to a lack of cross-interaction fusion between features on social media, especially between posts and comments. Generally, in fake news, there are emotional associations and semantic conflicts between posts and comments. How to represent and fuse the cross-interaction between both is a key challenge. In this paper, we propose Adaptive Interaction Fusion Networks (AIFN) to fulfill cross-interaction fusion among features for fake news detection. In AIFN, to discover semantic conflicts, we design gated adaptive interaction networks (GAIN) to capture adaptively similar semantics and conflicting semantics between posts and comments. To establish feature associations, we devise semantic-level fusion self-attention networks (SFSN) to enhance semantic correlations and fusion among features. Extensive experiments on two real-world datasets, i.e., RumourEval and PHEME, demonstrate that AIFN achieves the state-of-the-art performance and boosts accuracy by more than 2.05% and 1.90%, respectively.

研究の動機と目的

• 既存の偽ニュース検出手法における浅い、非相互作用的な特徴統合の限界に対処する。
• 特に意味的対立と感情的関連性を含む、ソーシャルメディア上の投稿とコメント間のクロス相互作用をモデル化する。
• 適応的相互作用メカニズムを通じて、類似する意味と対立する意味の両方を捉えることで、特徴表現と検出精度を向上させる。
• 投稿内および投稿間の特徴を深層的な意味レベルで統合し、信頼性評価を強化する。
• 従来の連結または加算ベースの統合の欠点を克服し、適応的で注意駆動の相互作用モジュールを導入する。

提案手法

• 投稿とコメント間の類似する意味と対立する意味の両方を捉えるために、別々のゲートを用いたゲート付き自己適応的相互作用ネットワーク（GAIN）を設計する：差分特徴用の対立ゲートと共有意味用の精練ゲート。
• 投稿およびコメント内の高レベルな意味的表現を学習・統合する意味レベルの統合自己注意ネットワーク（SFSN）を実装し、特徴の相関性と選択性を向上させる。
• GAINの出力をSFSNと統合して、意味レベルでのクロス相互作用的統合を可能にし、モデルが顕著で矛盾する特徴に注目できるようにする。
• 可視化と解釈可能性のため、SFSN出力からキーパターンを最大プーリングで抽出する。
• 2つの公開データセット、RumourEvalおよびPHEMEで標準的な交差エントロピー損失を用いて、エンドツーエンドのモデルを訓練する。
• GAINの対立ゲートおよび精練ゲート、および適応的メカニズムの寄与を検証するため、アブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 投稿とコメント間の意味的対立を、偽ニュース検出に有効に捉え、活用するにはどうすればよいか？
• RQ2 投稿とコメント間の適応的相互作用が、特徴表現と検出精度をどの程度向上させるか？
• RQ3 投稿内および投稿間の特徴を深層的な意味レベルで統合することは、従来の連結または加算ベースの統合を上回るか？
• RQ4 対立する意味と類似する意味の相対的寄与度は、偽ニュースを区別する上でどの程度重要か？
• RQ5 提案されたAIFNモデルは、実世界のデータセットにおいて、精度、適合率、再現率、F1スコアの観点から、最先端手法と比較してどの程度優れているか？

主な発見

• AIFNは、RumourEvalおよびPHEMEの両方で最先端の性能を達成し、それぞれ前回の最先端手法比で2.05%および1.90%の精度向上を達成した。
• アブレーションスタディの結果、GAINの任意のコンポonentを削除すると性能が0.44%から2.65%低下し、特に-Conflictingバージョンで最も大きな低下を示した。これは、対立する意味の捉え方が極めて重要であることを示している。
• GAINの-adaptiveバージョンが最も優れた性能を示し、類似する意味と対立する意味の適応的学習が、堅牢な検出に不可欠であることが確認された。
• 可視化結果から、AIFNは投稿とコメント間の意味的相関（例：'died' と 'deaths'）と意味的対立（例：'old power facilities' と 'man-made'）の両方を効果的に抽出していることが明らかになった。
• MTL-LSTMよりわずかに再現率が低いものの、AIFNは全体のF1スコアが優れており、各指標のバランスが取れていることが示された。
• モデルの性能はデータセットにかかわらず一貫しており、適合率とF1スコアの両方で明確な向上が見られた。これは、相互作用と統合メカニズムの有効性を裏付けている。