[论文解读] 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 20

一句话总结

该论文提出自适应交互融合网络（AIFN）用于谣言检测，通过门控自适应交互网络（GAIN）建模帖子与评论之间的交叉交互，捕捉语义冲突与相似性，并利用语义级融合自注意力网络（SFSN）实现深度特征融合。AIFN在RumourEval和PHEME数据集上分别实现2.05%和1.90%的准确率提升，达到当前最先进水平。

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.

研究动机与目标

• 解决现有虚假新闻检测方法中浅层、非交互式特征融合的局限性。
• 在社交媒体帖子与评论之间建模交叉交互，特别是语义冲突与情感关联。
• 通过自适应交互机制捕捉相似与冲突语义，提升检测性能。
• 实现帖子与评论内部及跨文本的深度语义级特征融合，以增强可信度评估。
• 通过引入自适应、注意力驱动的交互模块，克服传统拼接或加法融合方法的不足。

提出的方法

• 设计门控自适应交互网络（GAIN），通过独立的门控机制建模帖子与评论之间的相似与冲突语义：冲突门用于差异特征，精炼门用于共享语义。
• 实现语义级融合自注意力网络（SFSN），以学习并融合帖子与评论中的高层语义表征，增强特征相关性与选择能力。
• 将GAIN输出与SFSN结合，实现在语义层面的交叉交互融合，使模型能够聚焦于显著且矛盾的特征。
• 使用最大池化从SFSN输出中提取关键注意力模式，以支持可视化与可解释性。
• 在两个公开数据集RumourEval和PHEME上，使用标准交叉熵损失端到端训练模型。
• 通过消融研究验证各组件的贡献，包括GAIN的冲突门与精炼门，以及自适应机制。

实验结果

研究问题

• RQ1 如何有效捕捉并利用帖子与评论之间的语义冲突以提升虚假新闻检测性能？
• RQ2 帖子与评论之间的自适应交互在多大程度上改善了特征表示与检测准确率？
• RQ3 在帖子与评论内部及跨文本的特征中，深度语义级融合是否优于传统的拼接或加法融合方法？
• RQ4 在区分虚假新闻时，语义冲突与语义相似性的相对贡献如何？
• RQ5 在真实世界数据集上，所提出的AIFN模型相较于最先进方法在准确率、精确率、召回率与F1分数方面表现如何？

主要发现

• AIFN在RumourEval和PHEME上均达到最先进性能，分别较先前最先进方法提升2.05%和1.90%的准确率。
• 消融研究证实，移除GAIN的任意组件均导致性能下降0.44%至2.65%，其中-Conflicting变体下降最严重，表明其关键作用。
• GAIN的-Adaptive变体表现最佳，表明自适应学习相似与冲突语义对实现鲁棒检测至关重要。
• 可视化结果表明，AIFN成功突出显示了帖子与评论之间的语义关联（如“died”与“deaths”）与语义冲突（如“old power facilities”与“man-made”）。
• 尽管召回率略低于MTL-LSTM，AIFN仍保持更优的整体F1分数，表明其在各项指标间具有更好的平衡性。
• 模型在不同数据集上表现稳定，精确率与F1分数持续提升，证实其交互与融合机制的有效性。