TRACE-FND ग्राफ़ एडजुडिकेशन का उपयोग करके 98.9% सटीकता के साथ झूठी खबरों को कैसे पकड़ता है

गलत जानकारी अब समझदारी से तैयार किए गए टेक्स्ट और manipulated इमेज्स का मिश्रण बन चुकी है। पुराने डिटेक्शन टूल्स अक्सर इस जटिल मल्टीमोडल चिंता में फंस जाते हैं। TRACE-FND नामक एक नया फ्रेमवर्क इन धोखे वाली धागों को सुलझाने के लिए एक संरचित तरीका प्रदान करता है। यह सिर्फ साधारण समानता की जांच से आगे बढ़कर सोशल मीडिया पोस्ट के बुनियादी तर्क का विश्लेषण करता है।

यह सिस्टम एक सटीक चार-चरण वाले वर्कफ्लो पर काम करता है। पहले, फ्रीजन एजेंट्स कच्चे कंटेंट को टाइप किए गए अवलोकनों और प्रतिस्पर्धी परिकल्पनाओं में बदल देते हैं। इसके बाद, इन उम्मीदवारों को अमिट सबूत कार्ड्स में सामान्य बना दिया जाता है। फिर एक ट्रेनेबल स्टैंड हेड परिकल्पना-आधारित रिप्रजेंटेशन तैयार करता है। अंत में, एक कैलिब्रेटेड जज इन फीचर्स को अंतिम निर्णय से जोड़ता है। यह चेन यह सुनिश्चित करती है कि केवल कार्ड द्वारा उद्धृत तर्क ही निर्णय को प्रभावित करें।

इस विधि की खासियत इसका तीनों विशिष्ट परिकल्पनाओं पर ध्यान केंद्रित करना है: संगति, स्पष्ट विरोधाभास, और सामग्री की उपेक्षा। स्थिर सबूत प्राप्त करने को सीखे गए एडजुडिकेशन से अलग करके, मॉडल सामान्य LLM पाइलाइन में आम हालुसिनेशन के खतरों को कम करता है। परिणामस्वरूप, एक ऐसा आर्किटेक्चर मिलता है जो ब्लैक-बॉक्स स्वतंत्रता के बजाय पारदर्शिता और ऑडिटेबिलिटी को प्राथमिकता देता है।

Fakeddit-MM, Weibo-2017, और Multi-Fake-DetectiVE जैसे प्रमुख बेंचमार्क्स पर टेस्टिंग ने महत्वपूर्ण प्रदर्शन लाभ दिखाए। मॉडल ने सबसे मजबूत बाहरी बेसलाइन्स की तुलना में मैक्रो-F1 स्कोर क्रमशः 1.65, 1.48, और 1.60 अंक से सुधार किया। इसमें सबूत की गुणवत्ता और समय के प्रति लचीलापन भी मजबूत है। यह साबित करता है कि जब सबूत कम हों या समय संवेदनशील हो तो भी यह प्रभावी है।

उच्च प्रदर्शन और दक्षता के बीच संतुलन बनाए रखने के लिए, शोधकर्ताओं ने एक डिस્ટिल्ड स्टूडेंट मॉडल विकसित किया। इस संस्करण ने इनफरेंस लागत को 70 प्रतिशत से अधिक कम कर दिया है, लेकिन टीचर की 98.9 प्रतिशत सटीकता को बनाए रखा है। ऐसी दक्षता TRACE-FND को उच्च जोखिम वाले ऑफलाइन सत्यापन और लगभग रियल-टाइम स्क्रीनिंग दोनों के लिए उपयुक्त बनाती है। जैसे-जैसे गलत जानकारी की रणनीतियाँ बदल रही हैं, यह ऑडिटेबल आर्किटेक्चर मानव-पर्यवेक्षित फैक्ट-चेकिंग के लिए एक भरोसेमंद रास्ता प्रदान करता है।