SAFE : Détection de fausses nouvelles multi-modale sensible à la similarité

La détection efficace des fausses nouvelles a récemment attiré une attention significative. Les études actuelles ont contribué de manière significative à la prédiction des fausses nouvelles, avec moins d'accent sur l'exploitation de la relation (similarité) entre les informations textuelles et visuelles dans les articles de presse. Attacher de l'importance à une telle similarité aide à identifier les histoires de fausses nouvelles qui, par exemple, tentent d'utiliser des images non pertinentes pour attirer l'attention des lecteurs. Dans ce travail, nous proposons une méthode de détection de fausses nouvelles sensible à la similarité (SAFE) qui examine les informations multi-modales (textuelles et visuelles) des articles de presse. Tout d'abord, des réseaux neuronaux sont adoptés pour extraire séparément les caractéristiques textuelles et visuelles pour la représentation des nouvelles. Nous examinons ensuite la relation entre les caractéristiques extraites à travers les modalités. De telles représentations des informations textuelles et visuelles des nouvelles, ainsi que leur relation, sont apprises conjointement et utilisées pour prédire des fausses nouvelles. La méthode proposée facilite la reconnaissance de la fausseté des articles de presse en fonction de leur texte, de leurs images ou de leurs "incompatibilités". Nous réalisons des expériences approfondies sur des données réelles à grande échelle, qui démontrent l'efficacité de la méthode proposée.