Core Concepts
증거 기반 가짜 뉴스 탐지 모델은 뉴스 내용과 증거 내용 간의 편향을 극복하고 뉴스-증거 추론 능력을 향상시켜야 한다.
Abstract
이 논문은 증거 기반 가짜 뉴스 탐지 모델의 한계를 분석하고, 이를 해결하기 위한 이중 적대적 학습(DAL) 방법을 제안한다.
증거 기반 가짜 뉴스 탐지 모델은 뉴스 내용과 증거 내용 간의 편향을 학습하여 실제 뉴스-증거 추론 능력이 부족하다는 문제점을 지적한다.
이를 해결하기 위해 DAL 방법을 제안한다. DAL은 뉴스 측면 편향 제거기와 증거 측면 편향 제거기를 도입하여 뉴스와 증거 내용 간의 편향을 완화한다.
동시에 주 가짜 뉴스 예측기를 최적화하여 뉴스-증거 추론 능력을 향상시킨다.
두 가지 OOD 환경(cross-platform, cross-topic)에서 실험을 수행하였으며, DAL이 기존 모델과 다른 편향 제거 방법들에 비해 우수한 성능을 보였다.
Stats
뉴스와 증거 내용 간의 편향으로 인해 기존 모델들이 OOD 환경에서 성능이 크게 저하된다.
교차 플랫폼 환경에서 기존 모델들의 F1-Macro 성능은 0.49~0.55 수준이지만, DAL은 0.53~0.58 수준으로 향상되었다.
교차 주제 환경에서 기존 모델들의 F1-Macro 성능은 0.57~0.64 수준이지만, DAL은 0.64~0.68 수준으로 향상되었다.
Quotes
"증거 기반 가짜 뉴스 탐지 모델은 뉴스 내용과 증거 내용 간의 편향을 학습하여 실제 뉴스-증거 추론 능력이 부족하다."
"DAL은 뉴스 측면 편향 제거기와 증거 측면 편향 제거기를 도입하여 뉴스와 증거 내용 간의 편향을 완화한다."