یک شبکه تلفیق تطبیقی چندگانهای (MGAF-Net) برای تشخیص اخبار جعلی
یک شبکه تلفیق تطبیقی چندگانهای (MGAF-Net) برای تشخیص اخبار جعلی
مینارجبی1
1) دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار دانشگاه گلستان گرگان
کد IOI مقاله
:
AAHD-ABKEDE
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
گسترش اخبار جعلی در پلتفرمهای رسانههای اجتماعی تهدیدی جدی برای گفتوگوی عمومی و فرآیندهای دموکراتیک به شمار میرود، اما رویکردهای تشخیص موجود معمولاً به ویژگیهای تکمقیاسی یا روشهای تجمیع ایستا تکیه میکنند که قادر به درک ماهیت پیچیده و چندوجهی اطلاعات نادرست نیستند. در حالی که مدلهای یادگیری عمیق در شناسایی الگوهای توالی عالی عمل میکنند و یادگیری ماشین سنتی به طور مؤثری شاخصهای زبانی دستساز را درک میکند، مطالعات کمی به طور سیستماتیک ارزیابی میکنند که آیا ادغام بهینهسازی شده نمایندگیهای ناهمگن مزایای قابل اندازهگیری بیشتری نسبت به استراتژیهای ترکیب سادهتر در شرایط کنترلشده ارائه میدهد یا خیر. این مقاله MGAF-Net را پیشنهاد میکند، یک شبکه ادغام چندمقیاسی و تطبیقی که ویژگیهای TF-IDF، واژگانی، نحوی و معنایی را از طریق شاخههای موازی XGBoost، BiLSTM-Attention و MLP ادغام میکند، با بهینهسازی جستجوی شبکهای که وزنهای ترکیب [α، β، γ] را تعیین میکند. آزمایشها بر روی مجموعه داده اخبار جعلی ISOT (n=3,000، 5 بذر تصادفی) نشان میدهد که MGAF-Net دقت 99.02% ± 0.27% را به دست میآورد که به طور قابل توجهی از رگرسیون لجستیک (96.71%، p=0.0038) و تنها BiLSTM (81.29%، p=0.0001) بهتر است. با این حال، مهمترین یافته تجربی ما نشان میدهد که ادغام وزنی بهینهسازی شده با جستجوی شبکهای عملکرد را نسبت به ادغام وزنی ثابت و برابر (هر دو 99.02%) بهبود نمیبخشد، با وجود اینکه XGBoost به عنوان مؤلفه غالب شناسایی شده است (α≈0.68). افزایش حاشیهای 0.18% نسبت به XGBoost تنها (98.84%) و عدم بهبود معنیدار از بهینهسازی وزن (p=0.0993 در مقایسه با XGBoost) نشان میدهد که مهندسی ویژگیهای چندمقیاسی بیشتر از مکانیسمهای ادغام تطبیقی برای این مجموعه داده به عملکرد کمک میکند. این نتایج بینشهای ارزشمندی را در مورد اینکه چه زمانی بهینهسازی وزن تجمیع مزیت ایجاد میکند و چه زمانی مبنای قوی محدودیتهایی برای افزایش پتانسیل ایجاد میکند، ارائه میدهند.
کلمات کلیدی : شناسایی اخبار جعلی ویژگیهای چندمقیاسی ادغام بهینهسازی شده با جستجوی شبکهای bilstm xgboost یادگیری جمعی مجموعه داده isot