拡散し終わった未来を知る教師から学び,投稿から1時間でフェイクニュースを検出
- 論文名: Generalized Distillation with Multi-Task Graph Neural Networks for Early Fake News Detection
- 著者: Tomoki Abe, Soh Yoshida, Mitsuji Muneyasu

どんな研究?
SNS で広まるフェイクニュースは,拡散してしまってから否定しても手遅れになりがちです.被害を最小限に抑えるには,投稿されてから最初の数時間のうちに見抜く早期検出が欠かせません.本研究は,X(旧 Twitter)上の投稿が拡散してから1時間以内の情報だけで,そのニュースが本物か偽物かを判定する手法を提案しています.
フェイクニュース検出の有力な方法の一つに,拡散のしかたに注目する伝播ベースの方法があります.偽のニュースは本物より広く,深く,つまりリポストがリポストを呼ぶ形で連鎖的に広がることが知られています.投稿とリポスト・返信の関係をグラフ(点と線のつながり)として表し,グラフニューラルネットワーク(Graph Neural Network, GNN)でその形の違いを学習するのが代表的なアプローチです.本研究室では以前から,グラフが時間とともに成長していく様子を直接モデル化する E-DYNGCN(Evolving Dynamic Graph Convolutional Network)という手法を開発してきました.
何が問題?
伝播ベースの方法は,拡散の形が十分に育っていることを前提にしています.ところが早期検出の場面ではグラフがまだ小さく,形の特徴がほとんど現れていません.実際,本研究で用いた3つのデータセットでは,最初の1時間に観測できる投稿は全体の5%,23%,65%にすぎません.見えている情報が少ないので,従来手法の精度は観測時間を短くするほど落ちてしまいます.
どう解決?
発想は,未来を知っている教師から学ぶ,という考え方です.訓練用のデータについては,そのニュースが最終的にどう広がったかという完全な拡散グラフが手元にあります.そこで,完全な拡散グラフを見て判定する教師モデルと,最初の1時間分のグラフしか見られない生徒モデルを用意し,生徒モデルが教師モデルの判定をまねるように学習させます.これは一般化蒸留(Generalized Distillation, GD)と呼ばれる枠組みで,訓練時にだけ使える特権的な情報を,訓練後にはその情報なしで動くモデルへ移し込む技術です.経験豊富なベテランが,ニュースがその後どう広まったかを知った上で,最初の1時間のどこに注目すべきかを新人に教える,というイメージです.運用時には生徒モデルだけを使うので,未来の情報は必要ありません.
もう一つの工夫がマルチタスク学習(Multi-Task Learning, MTL)です.生徒モデルには,真偽の判定という本来の課題に加えて,このニュースは最終的にどれくらい多くの人に広がるか,どれくらい深く連鎖するか,という2つの補助課題を同時に解かせます.偽のニュースは広く深く広がるという性質があるので,最初の1時間の形から将来の広がり方を予測する練習をさせると,真偽の判定に役立つ特徴を自然に身につけます.運用時には補助課題の出力は使わず,学習の過程で得た知識だけが判定に活きます.教師モデルと生徒モデルの土台には E-DYNGCN (著者の従来研究)を用い,15分刻みのグラフの成長を捉えています.
結果
ファクトチェック済みのニュースを集めた PolitiFact と GossipCop,大事件に関する噂のスレッドを集めた PHEME の3つのデータセットで,投稿から1時間以内の情報だけを使って評価しました.比較対象の6つの最新手法も同じ1時間の条件で学習・評価しています.提案手法は3つすべてのデータセットで最も高い F 値(Fスコア,適合率と再現率の調和平均)を達成し,とくに PHEME では最良の比較手法を16.4%上回りました.
各要素を一つずつ取り除く実験では,一般化蒸留を外したときの精度低下が最も大きく,未来の拡散を知る教師からの知識の転移が早期検出の鍵であることが確認できました.補助課題のうち,深さの予測はすべてのデータセットで効果があり,規模の予測はグラフの大きい PolitiFact で特に効きました.さらに,PHEME では完全な拡散グラフを見られるモデルをも上回っており,初期の拡散が速いニュースほど本手法が有効であることが分かりました.
キーワード:フェイクニュース,早期検出,グラフニューラルネットワーク,一般化蒸留,マルチタスク学習
