論文の概要: LLM-MRD: LLM-Guided Multi-View Reasoning Distillation for Fake News Detection

• arxiv url: http://arxiv.org/abs/2603.19293v1
• Date: Tue, 10 Mar 2026 14:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.855973
• Title: LLM-MRD: LLM-Guided Multi-View Reasoning Distillation for Fake News Detection
• Title（参考訳）: LLM-MRD:フェイクニュース検出のためのLCM誘導多視点共鳴蒸留
• Authors: Weilin Zhou, Shanwen Tan, Enhao Gu, Yurong Qian,
• Abstract要約: マルチモーダル偽ニュース検出は、社会的偽情報の緩和に不可欠である。 既存のアプローチでは、マルチモーダル機能を融合したり、大規模言語モデルを活用することで、この問題に対処しようとしている。 我々は,新しい教師学習フレームワークである textbfLLM-MRD を提案する。
• 参考スコア（独自算出の注目度）: 3.7588380761269433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal fake news detection is crucial for mitigating societal disinformation. Existing approaches attempt to address this by fusing multimodal features or leveraging Large Language Models (LLMs) for advanced reasoning. However, these methods suffer from serious limitations, including a lack of comprehensive multi-view judgment and fusion, and prohibitive reasoning inefficiency due to the high computational costs of LLMs. To address these issues, we propose \textbf{LLM}-Guided \textbf{M}ulti-View \textbf{R}easoning \textbf{D}istillation for Fake News Detection ( \textbf{LLM-MRD}), a novel teacher-student framework. The Student Multi-view Reasoning module first constructs a comprehensive foundation from textual, visual, and cross-modal perspectives. Then, the Teacher Multi-view Reasoning module generates deep reasoning chains as rich supervision signals. Our core Calibration Distillation mechanism efficiently distills this complex reasoning-derived knowledge into the efficient student model. Experiments show LLM-MRD significantly outperforms state-of-the-art baselines. Notably, it demonstrates a comprehensive average improvement of 5.19\% in ACC and 6.33\% in F1-Fake when evaluated across all competing methods and datasets. Our code is available at https://github.com/Nasuro55/LLM-MRD
• Abstract（参考訳）: マルチモーダル偽ニュース検出は、社会的偽情報の緩和に不可欠である。 既存のアプローチでは、マルチモーダル機能の融合や、高度な推論にLarge Language Models (LLM)を活用することで、この問題に対処しようとしている。 しかし、これらの手法は、総合的な多視点判定と融合の欠如、LLMの計算コストの高さによる非効率性の禁止など、深刻な制約に悩まされている。 これらの問題に対処するために、新しい教師学習フレームワークであるFake News Detection ( \textbf{LLM-MRD}) のための \textbf{LLM}-Guided \textbf{M}ulti-View \textbf{R}easoning \textbf{D}istillationを提案する。 Student Multi-view Reasoningモジュールは、まずテキスト、ビジュアル、およびクロスモーダルの観点から包括的な基盤を構築する。 そして、教師多視点推論モジュールは、リッチな監視信号として深い推論連鎖を生成する。 我々の中核キャリブレーション蒸留機構は、この複雑な推論に基づく知識を効率的な学生モデルに効率よく蒸留する。 実験により、LLM-MRDは最先端のベースラインを大きく上回っていることが示された。 特に、すべての競合するメソッドやデータセットで評価すると、ACCで5.19\%、F1-Fakeで6.33\%という総合的な平均的な改善が示される。 私たちのコードはhttps://github.com/Nasuro55/LLM-MRDで利用可能です。

関連論文リスト

• OFFSIDE: Benchmarking Unlearning Misinformation in Multimodal Large Language Models [42.313806202695176]
  MLLMにおける誤情報アンラーニングを評価するための新しいベンチマークであるOFFSIDEを紹介する。 このデータセットは80人のプレイヤーのための15.68Kレコードを含み、忘れることの有効性、一般化、実用性、堅牢性を評価するための4つのテストセットを備えた包括的なフレームワークを提供する。 Offsideは、選択的アンラーニングや修正的再ラーニングといった高度な設定をサポートしており、重要なのは、一助的アンラーニングだ。
  論文  参考訳（メタデータ） (2025-10-26T05:05:30Z)
• Think Then Embed: Generative Context Improves Multimodal Embedding [51.76690812535934]
  本稿では,ユニバーサル・マルチモーダル・エンベディング (UME) のためのThink-Then-Embed (TTE) フレームワークを提案する。 強力なMLLM推論器を利用することで、MMEB-V2ベンチマークで最先端のパフォーマンスを達成し、大規模な社内データセットでトレーニングされたプロプライエタリモデルを上回った。
  論文  参考訳（メタデータ） (2025-10-06T16:53:56Z)
• U-MARVEL: Unveiling Key Factors for Universal Multimodal Retrieval via Embedding Learning with MLLMs [24.551034147718312]
  ユニバーサルマルチモーダル検索(UMR)は、クエリと候補の両方が多様なモダリティにまたがる複雑な検索タスクに対処することを目的としている。 本研究は, MLLMを用いたUMRの効果的な埋め込み学習を促進する重要な要素を明らかにすることを目的とした研究である。 我々は、M-Bベンチマークにおいて最先端の競合より優れている統一フレームワークU-MARVELを導入する。
  論文  参考訳（メタデータ） (2025-07-20T10:27:34Z)
• Reasoning-Aligned Perception Decoupling for Scalable Multi-modal Reasoning [95.44766931218896]
  MLLM(Multi-modal large language model)は、テキストベースの推論に遅れを取っている。 本稿では,MLLMの推論コンポーネントをモジュール化し,容易に置き換え可能なパーセプション推論デカップリングを提案する。 本稿では,視覚知覚最適化(VPO)と呼ばれる新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-05T02:28:07Z)
• Beyond Perception: Evaluating Abstract Visual Reasoning through Multi-Stage Task [22.16139464288789]
  現在のマルチモーダル大言語モデル(MLLM)は、一般的な視覚的推論では優れているが、抽象的視覚的推論(AVR)では未探索のままである。 既存のベンチマークでは、単一ステップの推論に重点を置いて、最終的な結果を強調しながら、推論プロセスの多段階的な性質を無視している。 我々は、様々なレベルの複雑さの推論を評価するために設計されたマルチステージベンチマークであるMultiStARを紹介する。
  論文  参考訳（メタデータ） (2025-05-28T00:34:45Z)
• Grounded Chain-of-Thought for Multimodal Large Language Models [66.04061083611863]
  我々は,GCoT(Gunded Chain-of-Thought)と呼ばれるマルチモーダル大規模言語モデル(MLLM)の新しい学習タスクを提案する。 GCoTは、MLLMが関連する視覚的手がかりを段階的に認識し、グラウンド化するのを支援し、グラウンド化座標による正しい解を直感的に予測する。 この作業を容易にするために,5,033画像に対して24,022 GCoT例からなるマルチモーダルグラウンドド・チェーン・オブ・ソート(MM-GCoT)と呼ばれるデータセットを慎重に設計し,構築する。
  論文  参考訳（メタデータ） (2025-03-17T04:07:47Z)
• Look Before You Decide: Prompting Active Deduction of MLLMs for Assumptive Reasoning [77.72128397088409]
  本研究は,MLLMの最も普及している手法が,その問題に先入観を導入することで,容易に騙せることを示す。 また,モデルが積極的に複合推論を行うように促す新しい強化学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-19T15:53:27Z)
• Evaluation and Improvement of Fault Detection for Large Language Models [30.760472387136954]
  本稿では,大規模言語モデル(LLM)における既存の故障検出手法の有効性について検討する。 既存の手法の故障検出能力を高めるために, textbfMutation による予測を行う textbfConfidence textbfSmoothing フレームワーク textbfMuCS を提案する。
  論文  参考訳（メタデータ） (2024-04-14T07:06:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。