論文の概要: From Manipulation to Mistrust: Explaining Diverse Micro-Video Misinformation for Robust Debunking in the Wild

• arxiv url: http://arxiv.org/abs/2603.25423v1
• Date: Thu, 26 Mar 2026 13:15:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.312234
• Title: From Manipulation to Mistrust: Explaining Diverse Micro-Video Misinformation for Robust Debunking in the Wild
• Title（参考訳）: マニピュレーションからミストラストへ:野生でのロバストデバンキングのための様々なマイクロビデオ誤報を説明する
• Authors: Zhi Zeng, Yifei Yang, Jiaying Wu, Xulang Zhang, Xiangzheng Kong, Herun Wan, Zihan Ma, Minnan Luo,
• Abstract要約: WildFakeBenchは、1万以上の現実世界のマイクロビデオの大規模なベンチマークで、さまざまな誤情報や情報源をカバーしています。 我々はDelphiにインスパイアされたマルチエージェント推論フレームワークであるFakeAgentを開発し、マルチモーダル理解と外部証拠を統合する。
• 参考スコア（独自算出の注目度）: 37.573244975096365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of micro-videos has reshaped how misinformation spreads, amplifying its speed, reach, and impact on public trust. Existing benchmarks typically focus on a single deception type, overlooking the diversity of real-world cases that involve multimodal manipulation, AI-generated content, cognitive bias, and out-of-context reuse. Meanwhile, most detection models lack fine-grained attribution, limiting interpretability and practical utility. To address these gaps, we introduce WildFakeBench, a large-scale benchmark of over 10,000 real-world micro-videos covering diverse misinformation types and sources, each annotated with expert-defined attribution labels. Building on this foundation, we develop FakeAgent, a Delphi-inspired multi-agent reasoning framework that integrates multimodal understanding with external evidence for attribution-grounded analysis. FakeAgent jointly analyzes content and retrieved evidence to identify manipulation, recognize cognitive and AI-generated patterns, and detect out-of-context misinformation. Extensive experiments show that FakeAgent consistently outperforms existing MLLMs across all misinformation types, while WildFakeBench provides a realistic and challenging testbed for advancing explainable micro-video misinformation detection. Data and code are available at: https://github.com/Aiyistan/FakeAgent.
• Abstract（参考訳）: マイクロビデオの台頭は、誤報がいかに拡散し、そのスピード、到達度、そして公共の信頼に影響を与えるかを変えてきた。 既存のベンチマークでは、一般的に、マルチモーダル操作、AI生成コンテンツ、認知バイアス、コンテキスト外再利用を含む現実世界のケースの多様性を見越して、単一の偽装タイプに重点を置いている。 一方、ほとんどの検出モデルは微粒な属性、解釈可能性、実用性に欠ける。 これらのギャップに対処するために、WildFakeBenchを紹介します。これは、1万以上の実世界のマイクロビデオの大規模なベンチマークで、さまざまな誤情報タイプやソースをカバーし、それぞれに専門家定義の属性ラベルをアノテートします。 この基礎の上に構築されたFakeAgentは、Delphiにインスパイアされたマルチエージェント推論フレームワークで、マルチモーダル理解と帰属解析の外部証拠を統合する。 FakeAgentはコンテンツと証拠を共同で分析し、操作を識別し、認知およびAI生成パターンを認識し、文脈外の誤情報を検出する。 大規模な実験によると、FakeAgentはあらゆる誤報タイプで既存のMLLMを一貫して上回り、WildFakeBenchは説明可能なマイクロビデオ誤報検出を進めるための現実的で挑戦的なテストベッドを提供する。 データとコードは、https://github.com/Aiyistan/FakeAgent.comで入手できる。

関連論文リスト

• VideoVeritas: AI-Generated Video Detection via Perception Pretext Reinforcement Learning [42.22791607763693]
  VideoVeritasは、きめ細かい認識と事実に基づく推論のためのフレームワークだ。 共同知覚選好と知覚Pretext Reinforcement Learningが使用される。
  論文  参考訳（メタデータ） (2026-02-09T16:00:01Z)
• Towards Unified Multimodal Misinformation Detection in Social Media: A Benchmark Dataset and Baseline [56.790045049514326]
  詐欺の2つの主要な形態は、人造誤報とAI生成コンテンツである。 両形態の偽造を扱うためのフレームワークであるUMFDet(Unified Multimodal Fake Content Detection)を提案する。 UMFDetは、両方の誤情報型に対して堅牢で一貫したパフォーマンスを実現し、特殊ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-30T09:26:32Z)
• Debunk and Infer: Multimodal Fake News Detection via Diffusion-Generated Evidence and LLM Reasoning [34.75988591416631]
  フェイクニュース検出のためのDebunk-and-Inferフレームワークを提案する。 DIFNDは条件付き拡散モデルの生成強度と多モーダル大言語モデルの協調推論能力を統合する。 FakeSVとFVCデータセットの実験は、DIFNDが既存のアプローチを上回るだけでなく、信頼できる決定を下していることを示している。
  論文  参考訳（メタデータ） (2025-06-11T09:08:43Z)
• VMID: A Multimodal Fusion LLM Framework for Detecting and Identifying Misinformation of Short Videos [14.551693267228345]
  本稿では,マルチモーダル情報に基づく新しいフェイクニュース検出手法を提案する。 提案フレームワークは,ビデオにマルチモーダル機能を組み込むことで,偽ニュース検出の精度と信頼性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-15T08:20:26Z)
• VANE-Bench: Video Anomaly Evaluation Benchmark for Conversational LMMs [64.60035916955837]
  VANE-Benchはビデオの異常や矛盾を検出するためのビデオLMMの熟練度を評価するために設計されたベンチマークである。 我々のデータセットは、既存の最先端のテキスト・ビデオ生成モデルを用いて合成された一連のビデオから構成される。 我々は、このベンチマークタスクにおいて、オープンソースとクローズドソースの両方で既存の9つのビデオLMMを評価し、ほとんどのモデルが微妙な異常を効果的に識別するのに困難に直面することを発見した。
  論文  参考訳（メタデータ） (2024-06-14T17:59:01Z)
• FineFake: A Knowledge-Enriched Dataset for Fine-Grained Multi-Domain Fake News Detection [54.37159298632628]
  FineFakeは、フェイクニュース検出のためのマルチドメイン知識強化ベンチマークである。 FineFakeは6つのセマンティックトピックと8つのプラットフォームにまたがる16,909のデータサンプルを含んでいる。 FineFakeプロジェクト全体がオープンソースリポジトリとして公開されている。
  論文  参考訳（メタデータ） (2024-03-30T14:39:09Z)

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。