Rien ne se tient seul : détection relationnelle des fausses nouvelles basée sur les réseaux neuronaux hypergraphes

Actuellement, les fausses nouvelles se propagent facilement à travers les réseaux sociaux en ligne et constituent une menace majeure pour les individus et la société. L’évaluation de l’authenticité des nouvelles est particulièrement difficile en raison de leur contenu soigneusement fabriqué, ce qui rend difficile l’obtention d’étiquetages à grande échelle pour les données de fausses nouvelles. En raison de ces problèmes de rareté des données, la détection des fausses nouvelles tend à échouer ou à surajuster dans un cadre supervisé. Récemment, les réseaux de neurones graphes (GNNs) ont été adoptés pour exploiter les informations relationnelles plus riches entre instances étiquetées et non étiquetées. Malgré leurs résultats prometteurs, ces méthodes se concentrent fondamentalement sur les relations binaires entre les nouvelles, ce qui limite leur capacité à capturer efficacement la diffusion des fausses nouvelles à l’échelle des groupes. Par exemple, la détection des fausses nouvelles peut être plus efficace si l’on parvient à mieux comprendre les relations entre les articles partagés parmi des utilisateurs particulièrement vulnérables. Pour surmonter ces limitations, nous proposons d’utiliser un hypergraphe pour représenter les interactions à l’échelle du groupe entre les nouvelles, tout en mettant l’accent sur les relations les plus pertinentes grâce à un mécanisme d’attention à deux niveaux. Des expériences menées sur deux jeux de données de référence montrent que notre approche atteint des performances remarquables et maintient un haut niveau de performance même avec une petite proportion de données étiquetées.