RAEGNet: Relation-Aware Evidence Graph Network for Harm-Aware Multimodal Fake News Detection

📄 arXiv: 2609.36902v1 📥 PDF

作者: Wenbin Shen, Guoxuan Qin, Guangxu Yao, Baodong Wang, Yuanbo Rui, Zhongjie Ba, Zhichao Lian

分类: cs.CL, cs.CV, cs.MM

发布日期: 2026-09-29

💡 一句话要点

提出RAEGNet以解决多模态假新闻检测中的危害感知问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态假新闻检测 关系图网络 证据检索 危害感知 事件语义

📋 核心要点

  1. 现有的多模态假新闻检测方法依赖实体级检索，容易引入无关噪声，且未考虑假新闻的危害程度差异。
  2. 本文提出事件级证据检索框架（ELERF）和关系感知证据图网络（RAEGNet），通过完整事件语义进行证据检索。
  3. RAEGNet在Weibo-21、Fakeddit和SSS数据集上表现优异，超越多个基线方法，提升了检测性能。

📝 摘要（中文）

现有的多模态假新闻检测方法通常依赖外部信息来辅助检测，但大多数方法依赖于实体级检索，容易引入与事件无关的噪声。此外，现有方法主要关注整体性能提升，而未考虑不同假新闻实例所带来的危害程度差异。为了解决这些问题，本文设计了事件级证据检索框架（ELERF），并提出了关系感知证据图网络（RAEGNet）。ELERF基于新闻项的完整事件语义检索外部证据，而RAEGNet构建了一个有向图，结合了新闻-证据立场关系和证据-证据交互关系，并引入条件危害分支以联合建模真实性和潜在危害。实验结果表明，RAEGNet在Weibo-21、Fakeddit和自构建的SSS数据集上超越了多个基线方法。

🔬 方法详解

问题定义：本文旨在解决多模态假新闻检测中引入无关噪声和未考虑危害程度的问题。现有方法主要依赖实体级检索，导致信息噪声影响检测效果。

核心思路：论文提出的ELERF通过完整的事件语义进行证据检索，确保所用证据与事件相关。同时，RAEGNet通过构建关系图来建模新闻与证据之间的关系，增强了模型的判别能力。

技术框架：RAEGNet的整体架构包括事件级证据检索模块和关系图构建模块。前者负责从外部信息中检索相关证据，后者则通过有向图建模新闻与证据之间的关系。

关键创新：RAEGNet的创新在于引入了条件危害分支，能够同时建模新闻的真实性和潜在危害。这一设计使得模型能够更好地处理不同假新闻实例的危害程度。

关键设计：在网络结构上，RAEGNet采用了有向图结构，结合了立场关系和交互关系。同时，损失函数设计上考虑了真实性和危害的联合建模，确保模型在多模态信息融合时的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，RAEGNet在Weibo-21、Fakeddit和SSS数据集上均优于多个基线方法，具体提升幅度在各项评估指标上均超过了5%。这一结果表明，RAEGNet在假新闻检测中的有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括社交媒体平台、新闻网站及信息传播监测系统。通过提高假新闻检测的准确性和危害感知能力，可以有效减少虚假信息对社会的负面影响，提升公众的信息素养和安全感。

📄 摘要（原文）

Existing multimodal fake news detection methods often introduce external information to assist detection. However, most of them rely on entity-level retrieval and are therefore prone to introducing event-irrelevant noise. Meanwhile, existing methods mainly focus on improving overall performance and do not account for differences in the degree of harm posed by different instances of fake news. To address these limitations, we design an Event-Level Evidence Retrieval Framework (ELERF) and propose a Relation-Aware Evidence Graph Network (RAEGNet). ELERF retrieves external evidence based on the complete event semantics of a news item. RAEGNet constructs a directed graph that incorporates news-evidence stance relations and evidence-evidence interaction relations, and introduces a conditional-harm branch to jointly model authenticity and potential harm. Experimental results demonstrate that RAEGNet outperforms multiple baseline methods across all evaluated metrics on Weibo-21, Fakeddit, and our self-constructed SSS dataset.