何物も単独で存在しない：ハイパーグラフニューラルネットワークを用いた関係性に基づく偽ニュース検出

近年、フェイクニュースはオンラインソーシャルネットワークを通じて容易に拡散し、個人および社会に対して重大な脅威となっている。フェイクニュースの内容が高度に捏造されているため、その真偽を評価することは困難であり、大規模なラベル付きデータの取得が困難である。このようなデータ不足の問題により、教師あり設定でのフェイクニュース検出は失敗しやすく、過学習を引き起こしやすい。近年、ラベル付きおよびラベルなしのインスタンス間の豊富な関係情報を活用するため、グラフニューラルネットワーク（GNNs）の導入が進んでいる。それらは有望な結果を示しているものの、本質的にニュース間の二項関係に焦点を当てており、集団レベルで拡散するフェイクニュースを捉える表現力に限界がある。例えば、脆弱なユーザー間で共有される複数のニュース記事間の関係をより深く理解できれば、フェイクニュースの検出はより効果的になる。このような課題に対処するため、本研究ではニュース間の集団的相互作用をハイパーグラフで表現するとともに、二段階の注目メカニズム（Dual-level Attention Mechanism）を用いて重要なニュース関係に焦点を当てる手法を提案する。2つのベンチマークデータセットを用いた実験結果から、本手法は顕著な性能を示し、ラベル付きニュースデータの小規模なサブセットにおいても高い性能を維持することが確認された。