SEMI-FND：スタックドエンsembleを用いたマルチモーダル推論による高速フェイクニュース検出

フェイクニュース検出（FND: Fake News Detection）は、自然言語処理分野において、ニュース記事内の主要な主張の真偽を特定・検証し、ニュースの信頼性を判断することを目的とする重要な分野である。FNDは、事実の歪曲が社会的・政治的・国家的損害を引き起こす可能性があるため、特定の社会集団に悪影響を及ぼすリスクを防止する上で不可欠である。さらに、SNSを介したフェイクニュースの拡散が急激に増加しており、テキストだけでなく画像を含むマルチモーダルな形態での拡散が顕著であるため、フェイクニュースをより迅速かつ正確に検出することが急務となっている。本研究では、このような課題に対処するため、新たなマルチモーダルスタック型アンサンブルベースのアプローチ（SEMIFND）を提案する。本手法は、パラメータ数を抑えることと高速な処理性能を両立することにも注力している。特に、マルチモーダル性能の向上を目指し、画像モダリティに対して深層的な単モーダル分析を実施した結果、NasNet Mobileが本タスクに最も適したモデルであることが判明した。テキストモダリティについては、BERTとELECTRAのアンサンブルを採用した。提案手法は、Twitter MediaEvalおよびWeibo Corpusの2つのデータセットを用いて評価された。その結果、Twitterデータセットでは85.80%、Weiboデータセットでは86.83%の精度を達成した。これらの評価指標は、近年の類似研究と比較しても優れた性能を示している。さらに、最近の関連研究と比較して、学習に使用されるパラメータ数の削減も報告している。SEMIFNDは全体として少なくとも20%のパラメータ削減を実現しており、テキストモダリティにおける単一モーダルなパラメータ削減率は60%に達している。以上の検証結果から、スタック型アンサンブルの導入が、他の手法と比較してフェイクニュース検出の性能を顕著に向上させるとともに、処理速度の向上も実現できることから、本手法の有効性が確認された。