가짜 뉴스 탐지를 위한 정보 이론적 전파 노이즈 제거 및 융합 프레임워크
요약
본 논문은 불완전하거나 합성된 전파 데이터가 야기하는 문제를 해결하기 위해 'InfoPDF'라는 정보 이론적 프레임워크를 제안합니다. InfoPDF는 상호 정보(mutual information) 관점을 활용하여 합성 전파의 신뢰성을 완화하고, 실제 및 합성 전파로부터 효과적인 표현을 학습하도록 설계되었습니다. 이 프레임워크는 속성별로 합성된 전파 데이터를 확률적 잠재 분포로 모델링하고, 상호 정보 기반 목적 함수를 통해 노이즈를 억제하며 데이터의 일관성을 유지하여 가짜 뉴스 탐지 성능을 향상시킵니다.
핵심 포인트
- 전통적인 합성 전파 데이터는 신뢰성 문제와 편향된 표현 생성 위험을 내포하고 있어 직접 사용에 한계가 있습니다.
- 제안된 InfoPDF 프레임워크는 상호 정보(mutual information)를 활용하여 합성 전파의 신뢰성을 정교하게 관리합니다.
- 이 방법론은 속성별로 합성된 전파 데이터를 확률적 잠재 분포로 모델링하고, 적응형 융합을 통해 실제 데이터와 결합합니다.
- 상호 정보 기반 목적 함수를 설계하여 노이즈 신호를 효과적으로 억제하고, 임무 충분한(task-sufficient) 표현 학습을 보장합니다.
불완전한 전파 데이터는 견고한 가짜 뉴스 탐지를 방해합니다. 최근 접근법은 대용량 언어 모델을 통해 역할극을 수행하여 결측 사용자 상호작용을 시뮬레이션함으로써 전파에 합성 신호를 추가합니다. 그러나 이러한 전파 데이터는 본질적으로 신뢰할 수 없으며, 이를 직접 융합하면 편향된 표현이 생성되어 탐지 성능이 제한됩니다. 이 논문에서는 상호 정보 (mutual information) 관점에서 합성 전파의 신뢰성을 완화하고, 실제 및 합성 전파로부터 효과적인 표현을 학습하기 위한 새로운 정보 이론적 전파 노이즈 제거 및 융합 (InfoPDF) 프레임워크를 제안합니다. 구체적으로, 우리는 먼저 대용량 언어 모델을 사용하여 속성별 합성 전파를 생성합니다. 그 다음에 각 합성 전파 그래프를 확률적 잠재 분포로 모델링하여 실제 전파와 신뢰도 인식을 위한 적응형 융합을 안내합니다. 학습 과정에서 우리는 압축적이고 임무 충분한 전파 표현을 학습하기 위해 상호 정보 기반 목적 함수를 설계합니다. 이는 속성별 합성 전파에 걸쳐 노이즈 신호를 억제하고, 실제 및 합성 전파 표현 간의 일관성을 유지하며 가짜 뉴스 탐지 및 속성 예측을 위한 임무 충분성을 보장합니다. 세 가지 실세계 데이터셋에서의 실험 결과는 InfoPDF 가 다양한 가짜 뉴스 탐지 작업에서 일관되게 우수한 성능을 달성함을 보여줍니다. 추가적인 분석은 InfoPDF 가 속성 수준의 신뢰도를 추정하고 더 구별력 있는 전파 표현을 학습할 수 있음을 입증합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기