Cómo TRACE-FND utiliza la adjudicación en grafos para detectar noticias falsas con un 98,9% de precisión

La desinformación se ha convertido en una mezcla sofisticada de texto plausible e imágenes manipuladas. Las herramientas tradicionales de detección suelen fallar ante esta complejidad multimodal. Un nuevo marco llamado TRACE-FND ofrece un enfoque estructurado para desenredar estos hilos engañosos. El sistema va más allá de las simples comprobaciones de similitud para examinar la lógica subyacente de las publicaciones en redes sociales.

El sistema funciona mediante un flujo de trabajo preciso de cuatro pasos. Primero, agentes congelados convierten el contenido crudo en observaciones tipadas y hipótesis competitivas. A continuación, estos candidatos se normalizan en tarjetas de evidencia inmutables. Una cabeza de postura entrenable produce luego representaciones condicionadas por la hipótesis. Finalmente, un juez calibrado mapea estas características hacia un veredicto final. Esta cadena asegura que solo los argumentos citados en las tarjetas influyan en la decisión.

Lo que distingue a este método es su enfoque en tres hipótesis específicas: consistencia, contradicción explícita y omisión material. Al separar la adquisición fija de evidencias de la adjudicación aprendida, el modelo reduce los riesgos de alucinación comunes en los flujos de trabajo genéricos de modelos de lenguaje grandes. El resultado es una arquitectura que prioriza la transparencia y la auditabilidad sobre la autonomía de caja negra.

Las pruebas en principales bancos de datos como Fakeddit-MM, Weibo-2017 y Multi-Fake-DetectiVE destacan importantes ganancias de rendimiento. El modelo mejoró las puntuaciones Macro-F1 en 1,65, 1,48 y 1,60 puntos respectivamente frente a las mejores bases externas. También demuestra una fuerte calidad de evidencia y robustez temporal, probando ser eficaz incluso cuando las evidencias son escasas o sensibles al tiempo.

Para equilibrar alto rendimiento con eficiencia, los investigadores desarrollaron un modelo Estudiante destilado. Esta versión reduce los costes de inferencia en más de un 70 por ciento mientras retiene el 98,9 por ciento de la precisión del Modelo Maestro. Tal eficiencia hace que TRACE-FND sea adecuado tanto para la verificación offline de alto riesgo como para el cribado casi en tiempo real. A medida que las tácticas de desinformación evolucionan, esta arquitectura auditable proporciona un camino fiable hacia adelante para la verificación de hechos supervisada por humanos.