Как TRACE-FND использует графовое разбирательство для выявления фейков с точностью 98,9%

Дезинформация превратилась в сложный гибрид правдоподобного текста и подделанных изображений. Традиционные инструменты обнаружения часто терпят неудачу перед лицом такой мультимодальной сложности. Новая система TRACE-FND предлагает структурированный подход к распутыванию этих обманчивых нитей. Она выходит за рамки простых проверок на сходство и анализирует базовую логику постов в социальных сетях.

Система работает через четкий четырехэтапный процесс. Сначала замороженные агенты преобразуют исходный контент в типизированные наблюдения и конкурирующие гипотезы. Затем эти кандидаты нормализуются в неизменяемые карточки доказательств. Обучаемая голова определения позиции генерирует представления, зависящие от гипотезы. Наконец, калиброванный судья отображает эти признаки в окончательное решение. Эта цепочка гарантирует, что на решение влияют только аргументы, подтвержденные карточками.

Отличительной чертой этого метода является фокус на трех конкретных гипотезах: согласованности, явном противоречии и материальном упущении. Разделяя фиксированный сбор доказательств и обучаемое разбирательство, модель снижает риски галлюцинаций, характерные для стандартных конвейеров больших языковых моделей. В результате получается архитектура, которая ставит прозрачность и проверяемость выше автономности черного ящика.

Тестирование на крупных бенчмарках, включая Fakeddit-MM, Weibo-2017 и Multi-Fake-DetectiVE, показывает значительный рост производительности. Модель улучшила показатели Macro-F1 на 1,65, 1,48 и 1,60 балла соответственно по сравнению с сильнейшими внешними базовыми моделями. Она также демонстрирует высокое качество доказательств и временную устойчивость, оставаясь эффективной даже при дефиците данных или их срочности.

Для баланса между высокой производительностью и эффективностью исследователи разработали дистиллированную модель Student. Эта версия снижает затраты на вывод более чем на 70 процентов, сохраняя 98,9 процента точности модели Teacher. Такая эффективность делает TRACE-FND подходящим как для высокорисковой офлайн-верификации, так и для проверки в режиме, близком к реальному времени. По мере изменения тактик распространения дезинформации эта аудируемая архитектура обеспечивает надежный путь вперед для фактчекинга под контролем человека.