Detección de noticias falsas impulsada por aprendizaje contrastivo: preservando la semántica, desvelando distorsiones

Área de la Ciencia:

• Inteligencia Artificial
• Procesamiento del Lenguaje Natural
• Ciencia de la Información

Sus antecedentes:

• La detección de noticias falsas se ve desafiada por la escasez de datos y la pérdida de integridad semántica.
• Los métodos existentes luchan con la complejidad de los datos de redes sociales del mundo real y las limitaciones de aumento.

Objetivo del estudio:

• Proponer un marco de detección de noticias falsas impulsado por aprendizaje contrastivo (CLFD).
• Abordar las limitaciones de los métodos existentes en la escasez de datos y la destrucción de la integridad semántica.
• Desarrollar un método de detección de noticias falsas universal y portátil utilizando solo contenido textual.

Principales métodos:

• Desarrolló un marco CLFD que utiliza la manipulación dual de reversión de distorsión.
• Empleó redes neuronales aprendibles para simular transformaciones de información no lineales para la generación de vistas contrastivas.
• Implementó estrategias de aprendizaje contrastivo consciente de la distorsión y optimización conjunta multiobjetivo.

Principales resultados:

• CLFD genera efectivamente vistas diversas preservando la integridad semántica, resolviendo problemas de destrucción semántica.
• El marco logra una detección eficiente utilizando solo contenido textual, sin requerir estructuras de propagación.
• Demostró un rendimiento superior en precisión, robustez y generalización en conjuntos de datos de referencia.

Conclusiones:

• El marco CLFD propuesto ofrece un avance significativo en la detección de noticias falsas.
• El método exhibe alta universalidad y portabilidad debido a su dependencia exclusiva del contenido textual.
• CLFD mejora la capacidad de capturar características engañosas, superando a los métodos de vanguardia.