SAFE-MR：选择性多模态谣言检测的证据充足学习

多模态谣言检测器越来越依赖检索到的证据，但相关证据对于验证来说不一定足够。出处缺失、报告重复和未解决的矛盾可能会在没有足够支持的情况下产生自信的预测。我们引入 SAFE-MR，一个将主张真实性与证据充分性分开的框架。该方法将图像文本帖子分解为可验证的声明，构建关系感知的声明证据图，并使用来源和上下文兼容性来聚合证据。单独的准确性和充分性头支持选择性预测，而证据干预则鼓励不相关添加下的稳定性和对证据删除的敏感性。在 NewsCLIPpings、VERITE 和 XFacta 上，SAFE-MR 的宏观 F1 分数分别为 91.2%、75.8% 和 85.2%。与有证据的匹配骨干模型相比，其宏观 F1 收益分别为 2.2、4.9 和 4.8 个百分点。在诊断选择集上，SAFE-MR 将最大概率拒绝的 AURC 从 0.105 降低到 0.075，并将 80% 覆盖率下的误差从 13.8% 降低到 8.5%。证据扰动和消融结果支持充分学习和干预训练在改善选择性验证中的作用。