論文《Collaborative Evolution》Introduction & Related Work 部分總結

?? Introduction 部分概括

1. 背景與問題重要性

• 假新聞在社交媒體上的傳播對社會造成了嚴重影響
• 傳統基于小語言模型(SLMs)的方法依賴大量標注數據進行監督訓練，難以適應新興新聞事件的快速演變

2. 現有方法的局限性

• SLMs：

  • 在特定數據集上表現良好，但無法泛化到新興事件
  • 存在分布偏移問題，即訓練數據與新興事件的數據分布不一致

• 大語言模型(LLMs)：

  • 雖具備強大的零樣本學習能力，但在假新聞檢測中表現不佳
  • 原因包括：
    • 缺乏相關示例(demonstrations)
    • 缺乏動態更新的外部知識

3. 現有LLM+SLM方法的不足

• 現有方法(如DELL、ARG)僅將LLM作為SLM的輔助工具，未充分利用LLM的推理與泛化能力
• 仍然依賴大量標注數據訓練SLM，未能解決數據稀缺問題

4. 本文解決方案：MRCD框架

• 提出 Multi-Round Collaboration Detection(MRCD) 框架，實現LLM與SLM的多輪協作學習

• 核心組件：

  • 兩階段檢索模塊：獲取相關示例和最新知識
  • 數據選擇模塊：篩選高置信度樣本
  • 多輪學習機制：逐步優化模型性能

• 優勢：

  • 不依賴標注數據
  • 充分利用LLM的泛化能力和SLM的專業性
  • 在兩個真實數據集(Pheme、Twitter16)上取得SOTA結果

?? Related Work 部分概括

1. 假新聞檢測方法分類

• 基于內容的方法：從新聞語義中提取特征(如Khattar et al., 2019)
• 基于知識增強的方法：利用外部知識庫(如Wikidata)輔助判斷(如Hu et al., 2021)
• 基于傳播路徑的方法：分析新聞在社交網絡中的傳播模式(如Shu et al., 2020)

2. LLM在假新聞檢測中的應用

• 現有方法(如DELL、ARG)使用LLM生成評論、情感分析或提供推理依據，輔助SLM檢測
• 局限性：
  • 仍依賴大量標注數據
  • 未充分利用LLM的任務推理與學習能力

3. 上下文學習(In-Context Learning)

• LLM通過少量示例即可適應新任務
• 關鍵點：示例的語義相關性比標簽的準確性更重要(Liu et al., 2022; Min et al., 2022)
• 本文創新：從搜索引擎和新聞語料中檢索未標注新聞，并賦予語義豐富的偽標簽，避免"復制效應"

4. 檢索增強的LLMs

• 通過檢索外部知識解決LLM的"幻覺"和"知識過時"問題
• 應用于問答、對話、常識推理等任務
• 本文采用兩階段檢索：
  • 第一階段：檢索最新新聞作為示例
  • 第二階段：從Wikipedia檢索相關知識

? 總結

• Introduction 突出了假新聞檢測在新興事件上面臨的數據稀缺與分布偏移問題，并指出現有LLM與SLM方法的不足
• Related Work 系統梳理了假新聞檢測的三大主流方法、LLM的應用現狀，以及上下文學習與檢索增強技術的研究進展，為MRCD框架的設計提供了理論基礎和方法借鑒