MAGER框架利用进化算法优化LLM假新闻检测
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对现有依赖监督图神经网络模型需要大量标注数据且泛化能力有限的问题，研究提出MAGER框架。该框架采用多智能体遗传进化算法，自动发现适合大语言模型推理的元路径，将复杂传播图压缩为信息丰富的子图。通过缓解信息过载和模态不匹配，该方案使冻结的LLM能够在零样本或少样本设置下进行结构感知的真伪推理。实验显示，该方法在数据高效场景下显著提升了LLM作为独立假新闻检测器的性能。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决模态不匹配
现有的假新闻检测方法主要依赖基于监督的图神经网络，这类方法通常需要大量标注数据，且泛化能力受限。尽管大语言模型具备强大的推理能力，但若直接将原始传播图输入模型，会导致严重的模态不匹配和信息过载，使得在零样本和少样本设置下的结构感知推理变得不可靠。为了解决这一问题，研究团队提出了MAGER框架，旨在弥合图结构数据与文本模型之间的鸿沟。
自动发现元路径
MAGER是一个多智能体遗传进化框架，其核心功能是自动发现针对大语言模型推理优化的元路径。通过将复杂的传播图压缩为包含丰富信息的子图，进化出的元路径有效缓解了信息过载和模态不匹配问题。这种处理方式使得冻结参数的大语言模型能够执行结构感知的真伪推理，而无需对模型本身进行微调，从而降低了计算成本并保留了模型的通用推理能力。
图上下文学习
为了进一步增强分类和推理效果，该研究还引入了图上下文学习策略。该策略能够检索出在语义和结构上与当前案例相似的演示样本，为模型提供参考。通过这种方式，模型不仅能够利用压缩后的结构信息，还能借鉴相似案例的推理模式。广泛的实验结果表明，MAGER在数据高效的环境下，能够显著提升大语言模型作为独立假新闻检测器的性能表现。
为什么值得看
结合进化计算与大模型，解决图结构数据输入LLM的模态不匹配难题。
智能体
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。