[論文レビュー] FR-Detect: A Multi-Modal Framework for Early Fake News Detection on Social Media Using Publishers Features

Ali Jarrahi, Leila Safari|arXiv (Cornell University)|Sep 10, 2021

Misinformation and Its Impacts参考文献 46被引用数 6

ひとこと要約

FR-Detect は、発信者固有の特徴（活動信頼性およびインフルエンス）とテキストコンテンツ表現を組み合わせることで、ソーシャルメディア上のフェイクニュースを早期に検出するマルチモーダル深層学習フレームワークである。これらのユーザ関連特徴を文単位のCNNベースのテキスト符号化と統合することで、コンテンツのみのベースラインと比較して、検出精度が最大13%向上し、F1スコアが最大29%向上する。

ABSTRACT

In recent years, with the expansion of the Internet and attractive social media infrastructures, people prefer to follow the news through these media. Despite the many advantages of these media in the news field, the lack of any control and verification mechanism has led to the spread of fake news, as one of the most important threats to democracy, economy, journalism and freedom of expression. Designing and using automatic methods to detect fake news on social media has become a significant challenge. In this paper, we examine the publishers' role in detecting fake news on social media. We also suggest a high accurate multi-modal framework, namely FR-Detect, using user-related and content-related features with early detection capability. For this purpose, two new user-related features, namely Activity Credibility and Influence, have been introduced for publishers. Furthermore, a sentence-level convolutional neural network is provided to combine these features with latent textual content features properly. Experimental results have shown that the publishers' features can improve the performance of content-based models by up to 13% and 29% in accuracy and F1-score, respectively.

研究の動機と目的

• 検証メカニズムの欠如によるソーシャルメディアプラットフォームにおけるフェイクニュースの増加する脅威に対処すること。
• 発信者レベルの行動的およびインフルエンス特徴を組み込むことで、フェイクニュースの早期検出を改善すること。
• ユーザ関連特徴とコンテンツ関連特徴を効果的に統合するマルチモーダルフレームワークの開発。
• 発信者信頼性指標を用いることで、コンテンツベースのフェイクニュース検出モデルの性能を向上させること。

提案手法

• 活動信頼性（投稿の整合性と頻度を測定）およびインフルエンス（発信者コンテンツの到達範囲とエンゲージメントを評価）という2つの新しい発信者固有特徴を導入。
• ニュースコンテンツからの潜在的テキスト特徴を抽出および統合するために、文単位の畳み込みニューラルネットワーク（CNN）を用いる。
• 新たに定義された発信者特徴を、深層テキスト表現とマルチモーダル統合機構を通じて統合。
• リアルおよびフェイクニュースのラベル付きデータセットを用いて、エンドツーエンドでFR-Detectモデルを学習し、早期検出を最適化。
• 注意メカニズムまたは連結戦略を用いて、テキスト特徴と発信者特徴の寄与度を調整・重み付け。

実験結果

リサーチクエスチョン

• RQ1 活動信頼性およびインフルエンスといった発信者レベル特徴は、フェイクニュース検出性能を向上させることができるか？
• RQ2 ユーザ関連特徴とコンテンツ関連特徴の統合は、フェイクニュース検出におけるマルチモーダル深層学習フレームワークにおいてどの程度有効か？
• RQ3 発信者特徴は、コンテンツベースの検出モデルの精度およびF1スコアをどの程度向上させることができるか？
• RQ4 提案されたFR-Detectフレームワークは、最先端手法と比較して優れた早期検出能力を達成しているか？

主な発見

• 発信者特徴の組み込みにより、コンテンツのみのモデルと比較して検出精度が最大13%向上した。
• 発信者特徴を統合した際、検出モデルのF1スコアが最大29%向上した。
• 提案されたフレームワークは、フェイクニュースが初期配布段階で検出可能な強力な早期検出能力を示した。
• 活動信頼性およびインフルエンスといった発信者特徴は、ニュースの信頼性の顕著な指標であることが判明した。
• テキスト特徴と発信者特徴のマルチモーダル統合は、精度およびF1スコアの両面で、ユニモーダルベースラインを上回った。