[논문 리뷰] Adaptive Interaction Fusion Networks for Fake News Detection

Lianwei Wu, Yuan Rao|arXiv (Cornell University)|2020. 04. 21.

Misinformation and Its Impacts참고 문헌 30인용 수 20

한 줄 요약

이 논문은 게이트형 적응형 상호작용 네트워크(GAIN)를 사용하여 게시글과 댓글 간의 교차 상호작용을 모델링하고, 의미 수준 융합 자기주도 attention 네트워크(SFSN)를 통해 깊이 있는 특징 융합을 수행함으로써 가짜 뉴스 탐지에 적응형 상호작용 융합 네트워크(AIFN)를 제안한다. AIFN는 RumourEval에서 기존 최고 성능(SOTA) 대비 2.05% 향상된 정확도를, PHEME에서는 1.90% 향상된 정확도를 달성하여 최고의 성능을 기록한다.

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.

연구 동기 및 목표

• 기존 가짜 뉴스 탐지 방법에서 얕고 비상호작용적인 특징 융합의 한계를 해결한다.
• 특히 의미적 갈등과 정서적 연관성을 포함한 소셜 미디어에서의 게시글과 댓글 간 교차 상호작용을 모델링한다.
• 적응형 상호작용 메커니즘을 통해 유사하고 갈등적인 의미를 모두 포착함으로써 성능 향상을 도모한다.
• 게시글 내외 및 댓글 내외의 깊이 있는 의미 수준 융합을 통해 신뢰성 평가를 향상시킨다.
• 전통적인 연결 또는 덧셈 기반 융합의 단점을 보완하기 위해 적응형, attention 기반의 상호작용 모듈을 도입한다.

제안 방법

• 유사하고 갈등적인 의미를 모두 모델링하기 위해 별도의 게이트를 사용하는 게이트형 적응형 상호작용 네트워크(GAIN)를 설계한다: 갈등 특징을 위한 갈등 게이트와 공유 의미를 위한 정제 게이트.
• 게시글과 댓글 내 고수준 의미 표현을 학습하고 융합하기 위해 의미 수준 융합 자기주도 attention 네트워크(SFSN)를 구현하여 특징 상관관계 및 선택성을 향상시킨다.
• GAIN의 출력을 SFSN와 통합하여 의미 수준에서의 교차 상호작용 융합을 가능하게 하여 모델이 주목할 만한 특징 및 모순되는 특징에 집중할 수 있도록 한다.
• 시각화 및 해석 가능성 향상을 위해 SFSN 출력에서 핵심 attention 패턴을 max-pooling을 통해 추출한다.
• 두 개의 공개 데이터셋인 RumourEval과 PHEME에서 표준 cross-entropy 손실을 사용해 엔드 투 엔드 모델을 훈련시킨다.
• 각 구성 요소의 기여도를 검증하기 위해 추론 실험(ablation study)를 적용하며, GAIN의 갈등 및 정제 게이트, 적응 메커니즘을 포함한다.

실험 결과

연구 질문

• RQ1 게시글과 댓글 간의 의미적 갈등을 효과적으로 포착하고 가짜 뉴스 탐지에 활용할 수 있는가?
• RQ2 게시글과 댓글 간의 적응형 상호작용이 특징 표현과 탐지 정확도에 어느 정도 향상시키는가?
• RQ3 게시글 내외 및 댓글 간 깊이 있는 의미 수준 융합이 기존의 연결 또는 덧셈 기반 융합을 능가할 수 있는가?
• RQ4 가짜 뉴스를 구분하는 데 있어 갈등적인 의미와 유사한 의미 중 어느 쪽이 더 중요한 기여를 하는가?
• RQ5 실세계 데이터셋에서 제안된 AIFN 모델은 정확도, 정밀도, 재현율, F1 점수 측면에서 기존 최고 성능(SOTA) 방법과 비교해 어떻게 성능을 내는가?

주요 결과

• AIFN는 RumourEval과 PHEME 양쪽에서 최고 성능(SOTA)을 기록하였으며, 각각 기존 SOTA 방법 대비 2.05%, 1.90%의 정확도 향상을 달성하였다.
• 추론 실험 결과, GAIN의 어떤 구성 요소라도 제거할 경우 정확도가 0.44%에서 2.65%까지 저하되며, 특히 -Conflicting 버전에서 가장 큰 하락을 보여 갈등 표현의 핵심적 역할을 확인하였다.
• GAIN의 -Adaptive 버전이 가장 우수한 성능을 보였으며, 이는 의미의 유사성과 갈등성을 적응적으로 학습하는 것이 강력한 탐지에 필수적임을 시사한다.
• 시각화 결과, AIFN는 게시글과 댓글 간 의미적 연관성(예: 'died'과 'deaths')과 의미적 갈등(예: 'old power facilities' 대비 'man-made')을 모두 성공적으로 강조함을 보였다.
• MTL-LSTM보다 약간 낮은 재현율을 기록했지만, AIFN는 전체적으로 더 높은 F1 점수를 확보하여 다양한 지표 간의 균형 잡힌 성능을 보였다.
• 모델의 성능은 데이터셋 간에 뚜렷한 일관성을 유지하며 정밀도와 F1 점수에서 지속적인 향상을 보여, 상호작용 및 융합 메커니즘의 효과성을 확인하였다.