RAGAR, Your Falsehood RADAR: RAG-Augmented Reasoning for Political Fact-Checking using Multimodal Large Language Models

随着政治话语中虚假信息的不断增加，需要先进的事实核查解决方案。我们通过将大型语言模型（LLMs）与基于检索增强生成（RAG）的高级推理技术相结合，引入创新方法以增强多模式事实核查的可靠性和效率。本研究提出了两种新方法，即RAG链（CoRAG）和RAG树（ToRAG）。这些方法旨在通过根据先前的证据推理需要回答的下一个问题来处理多模式索赔。我们的方法通过比传统的子问题生成和思维链真实性预测的事实核查方法提高了真实性预测的准确性和解释的生成。通过使用擅长分析文本和图像的多模式LLMs，本研究提高了自动化系统识别和对抗虚假信息的能力。

本论文试图通过结合大型语言模型（LLMs）和基于检索增强生成（RAG）的高级推理技术，提出创新的方法来加强多模态事实检查的可靠性和效率。

本论文提出了两种新颖的方法：CoRAG和ToRAG，旨在通过根据先前证据推理需要回答的下一个问题来处理多模态索赔。通过使用能够分析文本和图像的多模态LLMs，本研究提高了自动化系统识别和对抗错误信息的能力。

本论文的实验结果表明，CoRAG和ToRAG方法相对于传统的事实检查方法具有更高的准确性和生成解释的能力。论文使用了多个数据集进行实验，并提供了开源代码。

最近的相关研究包括：'Fact-Checking with Natural Language Inference'、'A Survey of Automated Fact-Checking'、'A Survey of Fake News: Fundamental Theories, Detection Methods, and Opportunities'等。