使用 LLM 进行可解释假新闻检测的图形增强防御框架

可解释的假新闻检测旨在评估新闻声明的真实性，同时提供人性化的解释。现有的结合调查性新闻的方法往往效率低下，并且难以应对突发新闻。 大语言模型 (LLM) 的最新进展使得能够利用外部检索的报告作为检测和解释生成的证据，但未经验证的报告可能会引入不准确性。此外，有效的可解释假新闻检测应该为声明的各个方面提供可理解的解释，以帮助公众验证其准确性。为了应对这些挑战，我们提出了一个图形增强的防御框架（G-Defense），该框架仅基于未经验证的报告提供细粒度的解释。具体来说，我们通过将新闻声明分解为多个子声明并对它们的依赖关系进行建模来构建以声明为中心的图。对于每个子声明，我们使用检索增强生成（RAG）技术来检索显着证据并生成相互竞争的解释。然后，我们引入基于该图的类似防御的推理模块来评估整体准确性。最后，我们提示 LLM 生成直观的解释图。实验结果表明，G-Defense 在准确性检测和解释质量方面均实现了最先进的性能。