我们设计了两组融化实验来剖析不同网络组件的无效性，包括视觉实体、图片文本和微调的VGG特征这三类视觉输出，以及文本和视觉实体的MCT、文本和视觉CNN特征的MCT以及实体分歧性这三类跨模态交互。从表中可察看到，在中、英数据集上最重要的视觉特征不同，这能够是由于数据来源的差别。中文数据集由社交媒体上的微博音讯组成，假旧事具有较低的图片质量，因而微调后的VGG特征关于检测最爲重要。而英文数据集抓取了正式的旧事长文，其包括质量高且语义丰厚的旧事图片，因而视觉实体对检测最爲重要。在跨模态交互中，我们察看到，文本和视觉CNN特征的MCT在两个数据集上均最爲重要，这能够是由于视觉CNN特征提供了更爲丰厚的信息。5. 样例剖析下图展现一些被实体不分歧性检测模块标注爲多模态人物实体分歧性低的样例。五、结论本文揭露了多模态假旧事图文关系的多样性，并提出一个通用的多模态交融框架，同时建模多种图文关系。针对旧事图文异构及语义鸿沟的成绩，显式引入视觉实体作爲图文交互的桥梁。本解读文章作者爲亓鹏。[1] https://buffer.com/resources/the-power-of-twitters-new-expanded-images-and-how-to-make-the-most-of-it/.[2] Exploring the role of visual content in fake news detection. Disinformation, Misinformation, and Fake News in Social Media, 2020.[3] Exploiting multi-domain visual information for fake news detection. ICDM 2019.[4] Fact-checking meets fauxtography: Verifying claims about images. EMNLP-IJCNLP 2019.[5] Verifying Multimedia Use at MediaEval 2016. MediaEval 2016 Workshop.[6] Multimodal fusion with recurrent neural networks for rumor detection on microblogs. MM 2017.[7] TI-CNN: Convolutional neural networks for fake news detection. arXiv:1806.00749.专栏相关文章：盛强：ACL 2021 | 现实核对不是起点：经过记忆加强的关键句检索检测已被核对过的音讯20 赞同 · 1 评论文章盛强：CIKM 2021 | 假旧事有“两幅面孔”：整合形式和现实信息的虚伪旧事检测23 赞同 · 5 评论文章盛强：CIKM 2021 | MDFEND：多范畴虚伪旧事检测23 赞同 · 4 评论文章