arXiv cs.AI· Chi Wang, Min Gao, Yifei Zhang, Bincheng Gu, Zongwei Wang, Wentao Li·· 13 小时前AI 评分31
突破证据连贯性陷阱：DelSA 智能体驱动证据选择用于时间错序假新闻检测
Beyond the Evidence Coherence Trap: Agent-Driven Evidence Selection for Temporally Disordered Fake News Detection
AI 导读
针对时间错序假新闻中检索证据语义合理但时间错配的“证据连贯性陷阱”，研究者提出 DelSA——一种文档选择自更新智能体，训练中迭代优化证据选择、推理时用冻结规则库一次性完成选择，并由验证器训练的 reranker 平衡局部相关性与时间线一致性。
正文 · AI 翻译
摘要：虚假新闻会损害公众信任和在线信息生态系统的完整性。时间顺序错乱的虚假新闻尤其难以识别，因为它将真实事件重新排列成虚假的时间线。即使事件之间的时间关系被歪曲，单个事件在事实上仍可能成立。当涉及同一实体的相似事件反复出现时，检索可能会返回来自错误时期、语义上看似合理的证据。因此，独立的事件验证可能会依赖局部连贯但在时间上不匹配的证据，从而错误地验证该文章。我们将此称为\textit{证据连贯性陷阱}。由于现有基准很少单独考察这一情形，我们构建了 ChronoFake，这是一个由 30,706 篇文章组成的来源不相交基准，这些文章源自具有时间锚定的真实事件。它将时间操纵与有效叙述（包括倒叙）区分开来。为解决这一问题，我们提出了 DelSA，即一种\underline{文}档\underline{选}择\underline{自}更新\underline{智}能体，它在训练期间迭代优化证据选择，并在推理时应用冻结的规则手册进行一次性证据选择。DelSA 使用 LLM 对候选证据进行特征描述，而由验证器训练的重排序器则在局部相关性与时间线一致性之间进行权衡。最后，分类器将 LLM 提取的文章隐含时间线与证据推导出的时间线进行比较，以揭示全局时间冲突。DelSA 在 ChronoFake 上优于现有方法，同时在 PolitiFact 和 GossipCop 上保持竞争力。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.36764 [cs.AI] |
| （或 arXiv:2610.36764v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36764 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chi Wang [查看电子邮件]
[v1]
2026年10月27日星期二 07:20:25 UTC（1,138 KB）
来源：arXiv cs.AI · arxiv.org