Cara TRACE-FND Menggunakan Adjudikasi Graf untuk Menangkap Berita Palsu dengan Akurasi 98,9 Persen

Misinformasi kini telah berkembang menjadi hibrida canggih yang menggabungkan teks yang terdengar masuk akal dengan gambar yang dimanipulasi. Alat deteksi tradisional sering gagal menghadapi kompleksitas multimodal ini. Kerangka kerja baru bernama TRACE-FND menawarkan pendekatan terstruktur untuk mengurai benang-benang penipuan tersebut. Sistem ini melampaui pemeriksaan kesamaan sederhana dengan memeriksa logika di balik postingan media sosial.

Sistem ini bekerja melalui alur kerja empat langkah yang presisi. Pertama, agen beku mengubah konten mentah menjadi observasi bertipe dan hipotesis yang bersaing. Selanjutnya, kandidat ini dinormalisasi menjadi kartu bukti yang tidak dapat diubah. Kepala sikap yang dapat dilatih kemudian menghasilkan representasi yang dikondisikan oleh hipotesis. Terakhir, hakim yang telah dikalibrasi memetakan fitur-fitur ini ke keputusan akhir. Rantai ini memastikan bahwa hanya argumen yang dikutip dalam kartu yang mempengaruhi keputusan.

Apa yang membuat metode ini berbeda adalah fokusnya pada tiga hipotesis spesifik: konsistensi, kontradiksi eksplisit, dan penghilangan materiil. Dengan memisahkan akuisisi bukti tetap dari adjudikasi yang dipelajari, model ini mengurangi risiko halusinasi yang umum terjadi pada pipa LLM generik. Hasilnya adalah arsitektur yang mengutamakan transparansi dan kemampuan audit dibandingkan otonomi kotak hitam.

Pengujian pada benchmark utama termasuk Fakeddit-MM, Weibo-2017, dan Multi-Fake-DetectiVE menyoroti peningkatan kinerja yang signifikan. Model ini meningkatkan skor Macro-F1 sebesar 1,65, 1,48, dan 1,60 poin masing-masing dibandingkan dengan baseline eksternal terkuat. Model ini juga menunjukkan kualitas bukti yang kuat dan ketahanan temporal, terbukti efektif bahkan ketika bukti langka atau bersifat waktu sensitif.

Untuk menyeimbangkan kinerja tinggi dengan efisiensi, para peneliti mengembangkan model Siswa yang disuling. Versi ini mengurangi biaya inferensi lebih dari 70 persen sambil mempertahankan 98,9 persen akurasi Guru. Efisiensi seperti itu membuat TRACE-FND cocok untuk verifikasi offline berisiko tinggi dan penyaringan hampir real-time. Seiring bergesarnya taktik misinformasi, arsitektur yang dapat diaudit ini memberikan jalur yang andal ke depan untuk pemfact-checking yang diawasi manusia.