Enhancing Fake News Detection in Social Media via Label Propagation on Cross-modal Tweet Graph

社交媒体中的虚假新闻检测变得越来越重要，因为个人媒体渠道的快速增多和误导性信息的传播。现有方法主要依赖于多模态特征和基于图的技术，在检测虚假新闻方面表现出很好的性能。然而，它们仍面临一个限制，即图连接的稀疏性，这阻碍了捕捉推文之间可能的相互作用。这个挑战激发了我们探索一种新的方法，即通过增加图的连通性来更好地捕捉更密集的交互。我们的方法使用CLIP构建跨模态推文图，将图像和文本编码为统一空间，从而允许我们基于文本和图像的相似性提取潜在的连接。然后，我们设计了一个特征上下文化网络和标签传播（FCN-LP）来模拟推文之间的交互以及连接推文的预测标签之间的正负相关性。从图中传播的标签被加权和聚合用于最终的检测。为了增强模型对未见事件的泛化能力，我们引入了域通用损失，确保在已见和未见事件中推文之间的一致特征。我们使用三个公开可用的虚假新闻数据集Twitter、PHEME和Weibo进行评估。我们的方法在所有基准数据集上始终优于现有最先进方法，并有效地展示了其在社交媒体中泛化虚假新闻检测的能力。

解决社交媒体中假新闻检测的问题，尤其是图文信息稀疏导致的难点。

使用CLIP将图像和文本编码到统一空间，构建跨模态推文图，设计FCN-LP模型建模推文之间的交互和标签之间的相关性，并引入域泛化损失以提高模型的泛化能力。

论文使用Twitter、PHEME和Weibo三个公共数据集进行评估，并在所有基准数据集上显著提高了性能。此外，模型的域泛化损失可以提高模型的泛化能力。

在相关研究方面，目前已经有一些基于多模态特征和基于图的技术的方法被提出来解决假新闻检测的问题，但是这些方法仍然面临着图连接稀疏的限制。