Latent Causal Void: 오정보 탐지를 위한 명시적 누락 맥락 재구성

요약

기존의 자동 오정보 탐지는 기사에 명시적으로 드러나는 거짓 정보를 잘 포착하지만, 배경 지식이나 생략된 맥락을 통해 오도하는 유형의 오정보에는 취약합니다. 본 논문은 이러한 '누락 관련 설정(omission-relevant setting)'에 초점을 맞춰, 대상 문장에 누락된 사실을 명시적으로 재구성하고 이를 그래프 추론 기반의 교차 출처 관계로 활용하는 검색 가이드형 탐지기인 LCV를 제안했습니다. LCV는 시간 순서로 정렬된 맥락 기사를 검색한 후, LLM에게 각 문장-기사 쌍에 대한 누락 맥락 설명을 생성하게 하고, 이를 이종 그래프 구조에 통합하여 오정보 탐지의 성능을 크게 향상시켰습니다.

핵심 포인트

• 오정보는 명시적 거짓말 외에도 생략된 배경 사실(누락 맥락)을 통해 오도하는 경우가 많다.
• 기존의 누락 인지 접근 방식은 누락 신호를 추론하거나 증거를 첨부하는 데 그쳤으나, 본 연구는 누락된 사실 자체를 명시적으로 재구성한다.
• 제안된 LCV(Latent Causal Void)는 검색 가이드형 탐지기로서, 누락 맥락 설명을 생성하고 이를 이종 그래프 구조에 통합하여 사용한다.
• LCV는 영어와 중국어 분할 데이터셋에서 기존의 최신 오정보 탐지 베이스라인 대비 높은 성능 향상을 입증했다.