MRAFnd：用于零样本假新闻检测的多模态检索增强框架

快速传播的多模态内容加剧了虚假新闻的传播，对社会的完整性构成了重大威胁。当前检测系统面临的挑战之一是识别与零样本场景相关的虚假信息。现有的零样本方法通常通过语义匹配来评估新闻，这种方法无法识别过去运动中的重复信息策略，并且缺乏识别细微的跨模态差异所需的高级推理能力。为克服这些缺陷，我们提出了一种名为MRAFnd的新框架，该框架模拟了一个由分析师组成的协作团队来验证新闻的真实性。该框架从一个未标记的参考数据库中收集具有上下文相似性的文章，然后在Bifurcated Evidential Reasoning阶段，代理进行双向分析以提取关键模式。最后，Multi-Agent Collaborative Debate阶段，由分析师和仲裁者代理进行结构化的讨论，以得出最终的、可靠的结论。在三个基准数据集上的综合实验表明，MRAFnd显著超越了当前最先进的基准，其在Weibo-21数据集上的准确率提高了约2.35%。