MVAE: Multimodaler Variational Autoencoder zur Erkennung von Fake News

In letzter Zeit haben Fake News und Fehlinformationen einen disruptiven und nachteiligen Einfluss auf unser Leben gehabt. Angesichts der Bedeutung von Microblogging-Netzwerken als Nachrichtenquelle für die meisten Menschen verbreiten sich Fake News schneller und haben einen profunderen Einfluss als je zuvor. Dies macht die Erkennung von Fake News zu einer äußerst wichtigen Herausforderung. Fake News-Artikel nutzen, genau wie echte Nachrichtenartikel, multimediale Inhalte, um die Meinungen der Nutzer zu manipulieren, verbreiten jedoch Fehlinformationen. Ein Mangel der aktuellen Ansätze zur Erkennung von Fake News ist ihre Unfähigkeit, eine gemeinsame Darstellung von multimodalen (textuellen + visuellen) Informationen zu lernen. Wir schlagen ein End-to-End-Netzwerk, den Multimodalen Variational Autoencoder (MVAE), vor, das einen bimodalen Variational Autoencoder mit einem binären Klassifikator für die Aufgabe der Fake News-Erkennung kombiniert. Das Modell besteht aus drei Hauptkomponenten: einem Encoder, einem Decoder und einem Modul zur Erkennung von Fake News. Der Variational Autoencoder ist in der Lage, probabilistische latent variable Modelle zu lernen, indem er eine Schranke für die marginale Wahrscheinlichkeit der beobachteten Daten optimiert. Der Fake News-Detektor nutzt dann die multimodalen Darstellungen, die aus dem bimodalen Variational Autoencoder gewonnen werden, um Posts als fake oder nicht zu klassifizieren. Wir führen umfangreiche Experimente an zwei standardisierten Fake News-Datensätzen durch, die von beliebten Microblogging-Websites gesammelt wurden: Weibo und Twitter. Die experimentellen Ergebnisse zeigen, dass unser Modell in beiden Datensätzen im Durchschnitt die neuesten Methoden um Margen von bis zu ~ 6% in der Genauigkeit und ~ 5% in den F1-Werten übertrifft.