3.4

D-SECURE 论文核心内容梳理
一、研究问题及其对应研究背景（有序列表）

研究问题：现有多模态虚假信息检测系统割裂使用内部内容操纵检测和外部证据事实核查两种思路，存在系统性检测盲点，如何构建统一的双源证据融合框架，实现二者的协同推理以解决该问题？研究背景：多模态虚假信息通过图文结合实现更高的传播度和可信度，现有检测方法分为两类，基于内容的操纵检测能识别像素 / 令牌级细粒度篡改但无法判断内容的全局事实真实性，基于检索的事实核查能通过外部证据判断全局事实但易忽略细粒度的视觉 / 文本篡改；二者的分离导致内部一致的伪造内容绕过操纵检测器、事实核查系统对被篡改的声明进行无效验证。
研究问题：如何设计合理的双源证据融合流水线，明确内部操纵检测和外部事实核查在流水线中的角色与协作逻辑，实现二者的有效整合？研究背景：现有少量融合内部和外部证据的方法存在缺陷，要么仅通过粗粒度文档级特征融合，未涉及令牌 / 区域级的细粒度操纵检测，要么仅擅长细粒度操纵检测但无外部知识接入；目前尚无将带显式定位的先进多模态操纵检测器与含丰富网络 / 图像证据的检索式事实核查流水线结合的系统。
研究问题：如何构建统一的可解释报告机制，同时整合外部证据推理过程和内部细粒度操纵检测结果，提升检测系统的可解释性和用户信任度？研究背景：现有基于检索的事实核查系统（如 DEFAME）仅能生成包含外部证据的可解释报告，无操纵检测相关信息；基于内容的操纵检测系统（如 HAMMER）能定位操纵的图像区域 / 文本令牌，但无外部证据的相关说明；下游用户无法同时查看两类关键证据，也不利于专家对系统行为进行审计。
研究问题：如何从局部操纵检测和全局事实验证双维度联合验证双源证据融合框架的有效性，且如何设计适配实际应用的评估规则，验证融合系统是否优于单一的操纵检测或事实核查系统？研究背景：现有多模态虚假信息检测的评估多为单一任务评估，缺乏对融合系统在局部操纵检测和全局事实验证双维度的联合评估；且传统的严格标签匹配评估规则无法适配实际场景中对操纵 / 不可验证内容的预警需求，需要设计更贴合实际的评估规则。

二、论文各小节详细 Markdown 笔记
Abstract

研究痛点：多模态虚假信息结合逼真的图像编辑和误导性文本，现有检测系统仅依赖单一证据源，基于内容的检测器能识别图文局部不一致但无法判断全局事实，基于检索的事实核查器能利用外部证据推理但易忽略细粒度篡改。
研究方法：提出 D-SECURE 框架，融合 HAMMER 操纵检测器和 DEFAME 检索式事实核查流水线，DEFAME 做广范围验证，HAMMER 分析含细粒度编辑的残留 / 不确定案例。
实验验证：在 DGM⁴和 ClaimReview 样本上开展实验，验证了两个系统的互补性。
研究成果：实现了内部操纵检测与外部证据推理的统一，生成包含操纵线索和外部证据的可解释统一报告。

1 Introduction
1.1 Internal versus external evidence
将现有多模态虚假信息检测技术分为两类，核心梳理两类方法的核心能力与局限性：

基于内容的操纵检测：代表为 HAMMER 和 DGM⁴基准，能识别图文配对的上下文错位、像素 / 令牌级编辑，还能显式定位操纵区域 / 令牌；但仅能分析所见内容，无法判断未被操纵的内容在现实世界中的事实真实性。
基于检索的事实核查：遵循 “声明提取 - 证据检索 - 判决预测” 三阶段流水线，最新方法采用检索增强生成（RAG），代表为 DEFAME；能利用外部证据判断完全伪造 / 未被操纵内容的事实性，但将多模态输入视为粗粒度文本声明，无专门的局部操纵检测模块，易忽略关键细粒度篡改。

1.2 Motivation

现有研究的核心缺陷：检测系统仅依赖内部或外部单一证据源，未形成连贯的双源融合流水线，导致系统性检测盲点。
具体问题：基于内容的检测器能识别操纵但无法判断未操纵内容的事实性；基于检索的核查器能判断事实性但可能对已被局部篡改的内容进行错误推理。

1.3 Contributions
提出 D-SECURE 双源融合框架，核心贡献有 4 点：

形式化定义了双源多模态虚假信息检测任务，实现对基于内容的线索和基于检索的证据的联合推理。
设计了 D-SECURE 流水线，将 HAMMER 与 DEFAME 整合，DEFAME 作为广覆盖预筛选阶段，HAMMER 对残留 / 不确定案例做细粒度分析。
开展跨系统实验，将 DGM⁴样本输入 DEFAME、ClaimReview 样本输入 HAMMER，分析各组件的优劣及对流水线设计的影响。
扩展 DEFAME 的可读报告机制，融入 HAMMER 的局部操纵解释，提升下游用户的可解释性。

2 Related Work
将相关研究分为三类，梳理各方向研究现状并指出现有融合方法的不足，明确 D-SECURE 的研究定位。
2.1 Multimodal manipulation detection

早期研究：聚焦图文上下文错位（OOC）检测，代表为 NewsClippings、COSMOS，仅能检测全局语义不匹配，无法定位具体的操纵像素 / 令牌。
中期研究：聚焦局部多模态操纵检测，代表为 DGM⁴基准和 HAMMER 模型，DGM⁴定义了人脸替换 / 属性修改、文本替换 / 属性修改等操纵类型并提供标注，HAMMER 通过操纵感知对比学习实现操纵类型、区域、令牌的预测；但仅基于内部内容推理，无外部知识接入。
近期研究：代表为 MFND 数据集和 SDML 模型，扩展了操纵类型和难负样本，但仍仅依赖内容级线索，未显式整合外部事实知识。

2.2 Retrieval-based fact-checking

早期研究：采用异构图融合外部知识库，代表为 Hu et al.、Cao et al.，将帖子、实体与知识库构建图结构，通过图神经网络实现事实验证；但特征粒度较粗。
近期研究：采用检索增强生成（RAG），代表为 RAGAR、DEFAME，RAGAR 将多模态输入文本化后迭代检索，DEFAME 直接对多模态输入进行推理并融合多种搜索工具；能利用丰富外部证据，但无专门的操纵检测模块，易忽略细粒度篡改。

2.3 Hybrid internal / external approaches and remaining gaps

现有混合方法的不足：部分图基方法融合内容特征和外部知识，但仅用粗粒度特征，未涉及令牌 / 区域级操纵；基于内容的操纵检测器无外部知识接入。
现有研究的空白：尚无系统同时满足 “集成带显式定位的先进多模态操纵检测器”“融入含丰富网络 / 图像证据的检索式事实核查流水线”“生成包含外部证据和内部操纵线索的统一可读报告” 三个条件，这是 D-SECURE 的核心研究定位。

2.4 Comparison of related methods

采用表格对比了代表性方法的输入类型、内部证据利用、外部证据利用、局部操纵定位四个维度。
核心结论：D-SECURE 是目前唯一同时具备显式的内容级操纵推理、丰富的外部网络 / 图像证据利用、令牌 / 区域级的操纵定位能力的多模态虚假信息检测框架。

3 Methodology

详细阐述 D-SECURE 框架的设计，包括问题形式化定义、核心系统组件、决策融合策略、统一可解释报告机制，是论文的核心方法部分。
3.1 Problem formulation

输入定义：新闻类图文对x=(I,T)，I为图像，T为标题 / 说明文本。
输出定义：一是虚假信息标签y∈{supported,refuted,not−enough−information}，二是可选的操纵标签m，标注是否存在局部操纵及操纵位置。
任务分解：将检测任务分为基于检索的全局事实验证和基于内容的局部操纵检测两个阶段，最终通过融合规则结合两阶段信号得到最终预测。

3.2 System components
核心介绍整合的两个基础模型 HAMMER 和 DEFAME 的功能，及二者在流水线中的协作逻辑：

HAMMER：基于 DGM⁴训练的分层多模态操纵推理 Transformer，输入图文对，输出 DGM⁴操纵类型标签、二分类真假标签、文本令牌级操纵标注、图像区域操纵边界框。
DEFAME：基于 MLLM 的检索式事实核查流水线，融合多种搜索工具，输入图文对，输出三分类事实判决、包含检索证据和推理过程的结构化可读报告。
流水线协作逻辑：DEFAME 作为预处理器，其refuted判决为强全局信号可直接采信；supported/NEI判决为不确定案例，需传入 HAMMER 做细粒度局部分析。

3.3 Decision Fusion

融合策略：采用规则基融合，明确 DEFAME 全局判决与 HAMMER 局部操纵检测结果的结合逻辑，核心分 3 种情况：
DEFAME 判决为 refuted：最终判决为 refuted，同时调用 HAMMER 辅助解释篡改是否为判决原因。
DEFAME 判决为 supported：由 HAMMER 判断是 “未被操纵的真实内容” 还是 “局部被操纵但全局事实为真”。
DEFAME 判决为 NEI：由 HAMMER 判断是 “被操纵但无法验证” 还是 “真实的信息不足案例”。

可扩展方向：规则基融合可替换为学习型融合模块，结合 DEFAME 的置信度分数和 HAMMER 的操纵概率进行融合。

3.4 Unified explanation report

报告设计：在 DEFAME 原有可读报告的基础上，追加 HAMMER 的操纵检测输出，包括操纵类型、二分类真假标签、高亮的文本操纵令牌、带边界框的图像操纵区域。
核心价值：用户可同时查看外部证据和内部操纵线索，提升对系统的信任度，也支持专家对系统行为进行审计。

4 Experiments
从局部操纵检测和全局事实验证双维度评估 D-SECURE 的有效性，介绍实验设置、核心结果并开展深度讨论，验证双源融合的价值。
4.1 Experimental Setup

实验对象：HAMMER（单一操纵检测）、DEFAME（单一事实核查）、D-SECURE（双源融合）。
实验数据集：DGM⁴（局部操纵检测）、ClaimReview2024+（全局事实验证，300 个声明）。
评估指标：DGM⁴采用二分类准确率（ACC）；ClaimReview2024 + 采用三分类准确率，设计 3 种评估规则（Strict factuality、Manipulation-aware、Intervention-aware）。
标签映射：将 D-SECURE 的 5 类标签压缩为标准三分类标签，“局部操纵但全局为真”“被操纵但无法验证” 均映射为 refuted。

4.2 Main Results
分别报告两个数据集上的实验结果，核心展示 D-SECURE 在保持 HAMMER 操纵检测优势的同时，提升了全局事实验证的性能：

DGM⁴（局部操纵检测）：HAMMER 和 D-SECURE 的二分类准确率均为 93.19%，DEFAME 仅为 25.06%。
ClaimReview2024+（全局事实验证）：Strict 规则下 DEFAME30.0%、D-SECURE28.0%；Manipulation-aware 规则下 DEFAME34.33%、D-SECURE46.33%；Intervention-aware 规则下 DEFAME32.0%、D-SECURE47.0%。

4.3 Discussion
从实验结果提炼 3 个核心结论，验证双源融合的必要性：

局部操纵检测无法作为事实真实性的可靠依据，HAMMER 操纵检测准确率高但全局事实验证的严格准确率仅 45%。
单一外部证据在细粒度篡改场景下表现脆弱，DEFAME 在 DGM⁴上准确率极低，易将被操纵内容误判为 supported。
双源证据融合能带来显著性能提升，D-SECURE 在贴合实际的评估规则下大幅优于 DEFAME，同时保持 HAMMER 的操纵检测优势。

5 Limitations
指出研究的 3 个核心局限性：

域适应性不足：D-SECURE 依赖 HAMMER 的操纵先验和 DEFAME 的检索覆盖度，在实体陌生、网络信息少、图像高度压缩的领域性能会下降。
融合策略简单：规则基融合为确定性融合，无法处理证据矛盾和不确定性校准问题。
数据集局限性：ClaimReview2024 + 样本量小（300 个），且偏向政治 / 健康领域，泛化性评估不足。

6 Conclusion

核心成果：提出 D-SECURE 双源融合框架，实现了局部操纵检测与外部证据检索的统一，填补了内容级篡改与声明级事实验证之间的研究空白。
实验验证：在 DGM⁴和 ClaimReview2024 + 上的实验表明，D-SECURE 保持了最先进的操纵检测性能，同时在多种评估规则下提升了事实验证的性能。
研究意义：证明了内部和外部证据融合对鲁棒的多模态虚假信息检测的重要性，为后续结合像素、令牌、外部信息生态的检测系统奠定基础。

References
列出研究相关的 17 篇参考文献，涵盖虚假信息的危害、多模态操纵检测、检索式事实核查、混合融合方法等方向，为研究提供理论和方法支撑。
三、3 Methodology 小节各子部分详细 Markdown 笔记
3.1 Problem formulation

输入与输出定义
输入：新闻场景下的多模态图文对x=(I,T)，其中I表示图像数据，T表示对应的标题 / 说明文本。
输出：① 虚假信息判决标签y，取值为（支持）（反驳）（信息不足，）；② 操纵标签m，可选输出，用于标注是否存在局部操纵（如人脸替换、文本属性修改等）及操纵在图像 / 文本中的具体位置。

任务核心分解将多模态虚假信息检测任务拆解为两个相互补充的子任务，通过融合两个子任务的信号得到最终判决：
子任务 1：基于检索的全局事实验证，利用外部网络 / 图像证据判断图文对的整体事实真实性。
子任务 2：基于内容的局部操纵检测，分析图文对自身的内容特征，识别像素 / 令牌级的细粒度篡改并定位。

研究对象覆盖实验覆盖两类样本：DGM⁴的纯局部操纵样本（含未被操纵的干净样本）、ClaimReview2024 + 的全局事实性样本（支持 / 反驳 / 信息不足）。

3.2 System components
本小节核心介绍 D-SECURE 的两个基础组件HAMMER和DEFAME的功能，及二者在流水线中的预筛选 - 细粒度分析协作逻辑，是框架的核心基础。
（1）HAMMER：细粒度多模态操纵检测器

模型基础：基于 DGM⁴数据集训练的分层多模态操纵推理 Transformer，是目前最先进的多模态操纵检测模型。
核心输入：新闻类图文对x=(I,T)。
核心输出：① DGM⁴标准操纵类型标签，含 pristine（干净）、FS（人脸替换）、FA（人脸属性修改）、TS（文本替换）、TA（文本属性修改）及各类组合；② 二分类真假标签，判断图文对是否被操纵；③ 文本令牌级的操纵标注，定位被篡改的文本位置；④ 图像区域的操纵边界框，定位被篡改的图像区域。
核心优势：能实现细粒度操纵检测 + 显式定位，是处理局部篡改案例的核心模块。

（2）DEFAME：检索式多模态事实核查流水线

模型基础：以 ** 多模态大语言模型（MLLM）** 为骨干，融合多种检索工具的检索增强事实核查系统。
核心输入：新闻类图文对x=(I,T)。
核心输出：① 三分类事实判决标签，取值为{supported,refuted,NEI}；② 结构化的人类可读报告，包含检索到的外部证据、中间推理步骤、最终判决的依据。
检索工具：支持网络搜索、图像搜索、反向图像搜索、地理定位搜索，可配置免费工具（如 DuckDuckGo）和增强工具（如 Google）。
数据处理：采用 BeautifulSoup 对检索到的网页进行爬取和归一化，再传入 MLLM 进行推理。

（3）流水线协作逻辑
采用DEFAME 预筛选，HAMMER 处理残留 / 不确定案例的逻辑，核心依据是 DEFAME 的 refuted 判决为强全局信号，而 supported/NEI 判决易受细粒度篡改影响：

首先将输入x传入 DEFAME，得到判决ydef和报告r；
若ydef=refuted：直接输出 refuted 为最终判决，同时调用 HAMMER 分析是否存在局部篡改，辅助解释判决原因；
若ydef∈{supported,NEI}：将x传入 HAMMER 进行细粒度局部操纵检测，补充局部线索以修正 / 完善判决。

3.3 Decision Fusion
本小节介绍 D-SECURE 的规则基决策融合策略，明确 DEFAME 的全局事实判决与 HAMMER 的局部操纵检测结果的结合逻辑，是实现双源证据融合的核心环节。

融合核心原则充分利用两个组件的互补性：DEFAME 提供全局事实性的宏观判断，HAMMER 提供局部操纵的细粒度线索，融合结果同时兼顾 “全局事实是否为真” 和 “局部内容是否被篡改”。
具体规则化融合逻辑共分 3 种核心场景，覆盖所有输入案例的判决逻辑，对应框架图的核心流程：
场景 1：ydef=refuted → 最终判决为refuted，调用 HAMMER 做辅助解释，分析局部篡改是否为判决的原因。
场景 2：ydef=supported → 由 HAMMER 的输出判断：若为 pristine（干净），最终判决为supported；若检测到操纵，最终判决为局部操纵但全局支持。
场景 3：ydef=NEI → 由 HAMMER 的输出判断：若检测到操纵，最终判决为被操纵但无法验证；若为 pristine / 不确定，最终判决为NEI（真实信息不足）。

标签压缩策略为适配传统的三分类评估体系，将 D-SECURE 的 5 类判决结果压缩为标准三分类标签：局部操纵但全局支持、被操纵但无法验证均映射为 refuted，其余结果与原标签一致。
可扩展融合方案规则基融合为确定性融合，仅作基础验证；后续可替换为学习型融合模块，通过模型学习结合 DEFAME 的判决置信度分数和 HAMMER 的操纵预测概率，处理证据矛盾和不确定性校准问题。

3.4 Unified explanation report
本小节介绍 D-SECURE 的统一可解释报告机制，在 DEFAME 原有报告的基础上融入 HAMMER 的操纵检测结果，是提升系统可解释性和用户信任度的关键设计。

报告设计基础基于 DEFAME 已有的结构化人类可读报告，该报告包含外部证据检索结果、中间推理步骤、全局事实判决依据，是外部证据的核心展示载体。
报告扩展内容在 DEFAME 报告的基础上，追加 HAMMER 的所有操纵检测输出，实现内部操纵线索 + 外部证据的统一展示，具体包括：
预测的 DGM⁴操纵类型标签和二分类真假标签；
文本层面：高亮显示被操纵的文本令牌，明确文本篡改位置；
图像层面：添加操纵区域的边界框叠加层，直观展示图像篡改位置。

核心设计价值
对普通用户：可同时查看 “外部证据是否支持声明” 和 “内容自身是否被篡改”，提升对系统判决的信任度；
对专家 / 审计人员：可完整追溯系统的推理过程，包括外部证据检索和内部操纵检测，便于对系统行为进行审计和优化；
对系统自身：报告可作为 MLLM 的上下文指导，提升后续推理的准确性。

四、4 Experiment 实验部分详细梳理
（一）数据集
本次实验采用两个互补的数据集，分别针对局部操纵检测和全局事实验证两大核心任务，覆盖多模态虚假信息的不同类型：

DGM⁴
任务适配：局部多模态操纵检测任务；
样本特征：包含干净的图文对和 4 类细粒度局部操纵样本，及各类操纵的组合样本；4 类操纵为 FS（人脸替换）、FA（人脸属性修改）、TS（文本替换）、TA（文本属性修改）；
标注信息：提供操纵类型标签、文本令牌级操纵标注、图像区域操纵边界框标注；
评估指标：二分类准确率（ACC），判断图文对是否被操纵。

ClaimReview2024+
任务适配：全局事实验证任务；
样本规模：共 300 个新闻类图文声明样本；
标签类型：标准三分类标签，（支持）、（反驳）、（信息不足）；
样本偏向：以政治和健康领域的内容为主；
评估指标：三分类准确率，设计 3 种贴合不同实际场景的评估规则。

（二）Baselines（按类别无序列表）
实验的基线方法分为基于内容的多模态操纵检测和基于检索的多模态事实核查两类，均为对应方向的先进方法，具体介绍如下：
类别 1：基于内容的多模态操纵检测方法

HAMMER时间：2023 年（CVPR 会议首次提出），2024 年（TPAMI 期刊扩展）；简短介绍：基于 DGM⁴训练的分层多模态操纵推理 Transformer，目前最先进的多模态操纵检测模型，能实现像素 / 令牌级的细粒度操纵检测，并显式定位图像操纵区域和文本操纵令牌，仅基于内部内容推理，无外部知识接入。

类别 2：基于检索的多模态事实核查方法

DEFAME时间：2024 年（arXiv 预印本）；简短介绍：以多模态大语言模型为骨干的检索增强事实核查流水线，融合网络、图像、反向图像、地理定位等多种搜索工具，能生成包含外部证据和推理过程的可读报告，可判断全局事实真实性，但无专门的局部操纵检测模块，易忽略细粒度篡改。

（三）实验内容、结果与结论
本次实验分为两个独立的核心实验，分别验证 D-SECURE 在局部操纵检测和全局事实验证任务上的有效性，一个实验对应一组内容 + 结果 + 结论，具体如下：
实验 1：基于 DGM⁴基准的局部操纵检测实验
实验内容

实验目的：验证 D-SECURE 在局部细粒度多模态操纵检测任务上的性能，是否能保持基线方法 HAMMER 的先进水平；
实验对象：HAMMER（单一操纵检测）、DEFAME（单一事实核查）、D-SECURE（双源融合）；
实验方法：将 DGM⁴数据集的所有样本分别输入三个模型，模型输出二分类真假标签（被操纵 / 未被操纵）；
评估指标：二分类准确率（ACC），以准确率高低衡量模型的局部操纵检测能力。

实验结果

HAMMER 的二分类准确率为93.19%，表现出最优的局部操纵检测能力；
D-SECURE 因直接复用 HAMMER 的操纵检测模块，其准确率与 HAMMER 完全一致，为93.19%；
DEFAME 的二分类准确率仅为25.06%，在局部操纵检测任务上表现极差。

实验结论

D-SECURE 能完全继承 HAMMER 在局部细粒度操纵检测上的先进性能，双源融合未损失操纵检测的核心能力；
基于检索的事实核查方法 DEFAME 无专门的操纵检测模块，无法有效识别像素 / 令牌级的细粒度篡改，完全不适用于局部操纵检测任务；
证明了 D-SECURE 流水线中 “将 HAMMER 作为细粒度操纵检测核心模块” 的设计合理性。

实验 2：基于 ClaimReview2024 + 基准的全局事实验证实验
实验内容

实验目的：验证 D-SECURE 在全局事实验证任务上的性能，是否能通过双源证据融合优于单一的基线方法 DEFAME/HAMMER；
实验对象：HAMMER（单一操纵检测）、DEFAME（单一事实核查）、D-SECURE（双源融合）；
实验方法：将 ClaimReview2024 + 的 300 个声明样本分别输入三个模型，模型输出三分类事实判决标签；
评估规则：设计 3 种由严格到贴合实际的评估规则，全面衡量模型性能：
Strict factuality：严格匹配黄金标签，预测标签与黄金标签完全一致才计为正确；
Manipulation-aware：操纵感知规则，模型预测的 refuted/LMGS/MBU 均计为正确（针对黄金标签为 refuted 的样本）；
Intervention-aware：干预感知规则，模型预测的 refuted/LMGS/MBU 均计为正确（针对黄金标签为 refuted/NEI 的样本）；

标签处理：将 D-SECURE 的 5 类输出标签压缩为标准三分类标签，LMGS（局部操纵但全局支持）、MBU（被操纵但无法验证）均映射为 refuted。

实验结果

Strict factuality（严格规则）：HAMMER45.0%、DEFAME30.0%、D-SECURE28.0%；
Manipulation-aware（操纵感知规则）：HAMMER-、DEFAME34.33%、D-SECURE46.33%；
Intervention-aware（干预感知规则）：HAMMER-、DEFAME32.0%、D-SECURE47.0%；
注：HAMMER 无全局事实验证的专门设计，仅在严格规则下参与评估，操纵感知 / 干预感知规则下不做评估。

实验结论

单一局部操纵检测无法替代全局事实验证：HAMMER 虽操纵检测性能优异，但全局事实验证的严格准确率仅 45%，证明局部是否被操纵并非全局事实真实性的可靠依据（未被操纵的内容可能全局为假，被操纵的内容可能全局为真）；
单一外部证据在实际场景中表现脆弱：DEFAME 在严格规则下有一定性能，但在贴合实际的操纵 / 干预感知规则下性能大幅下降，因其易忽略细粒度篡改，将被操纵内容误判为 supported/NEI；
双源证据融合在实际场景中具有显著优势：D-SECURE 虽在严格规则下略低于 DEFAME，但在贴合实际应用的操纵 / 干预感知规则下大幅优于 DEFAME（提升超 12%），证明 HAMMER 的细粒度操纵线索能有效修正 DEFAME 的错误判决，避免对被操纵内容的不当认可；
验证了 D-SECURE 双源融合框架的核心价值：同时兼顾全局事实验证和局部操纵检测，在更贴合实际的虚假信息检测场景中表现出更强的鲁棒性。

FactNet论文分析报告

一、研究问题及其对应的研究背景（有序列表）

1. 研究问题：如何构建一个兼顾大规模、多语言覆盖、可审计溯源的事实知识图谱，解决现有资源在结构化知识实用性和无结构文本证据溯源性之间的固有权衡问题？
   研究背景：大语言模型（LLMs）存在事实不稳定性和幻觉问题，落地知识密集型场景需将声明锚定在可检索、可追溯的证据上；多语言场景下证据分布不均、在各语言维基百科中碎片化，且受语言差异和表面形式异质性影响；现有资源要么是无文本上下文的结构化知识库（如Wikidata），要么是规模和语言覆盖有限的带接地文本的数据集，合成扩展方法（机器翻译/LLM生成）还会引入错误传播，破坏与人工创作源文档的关联，导致可审计性和溯源性受损。
2. 研究问题：如何为多语言事实相关任务（知识图谱补全、问答、事实核查）构建可复现、防信息泄露、能有效衡量溯源质量的统一评估基准？
   研究背景：现有多语言事实任务的评估基准存在信息泄露、数据分层不足、未将可执行性/证据质量作为核心指标的问题，且不同任务的评估体系不统一，难以客观衡量模型在结构化推理和无结构检索结合场景下的性能。
3. 研究问题：如何设计确定性的构建流水线，保证多语言知识图谱的高接地精度（尤其是长尾语言），同时实现事实陈述的规范化融合和规则衍生关系的可靠性？
   研究背景：现有知识图谱构建常采用随机模型或人工标注，存在精度不可控、长尾语言性能差的问题；事实陈述的融合缺乏可追溯的规范化策略，规则衍生的关系边存在逻辑不一致性，且难以复现和审计。
4. 研究问题：如何验证所构建的FactNet知识图谱在规模、接地质量、结构完整性、可复现性等维度的性能，同时量化其在长尾语言、不同证据类型下的表现差异？
   研究背景：暂无针对十亿级多语言事实知识图谱的系统性质量评估方法，现有评估仅关注规模或单语言精度，未考虑多语言场景下的长尾效应、证据类型的精度差异，也未对规范化融合和关系边的逻辑完整性进行审计。

二、论文各小节详细Markdown笔记

Abstract

• 研究痛点：LLMs存在事实幻觉，现有资源无法兼顾结构化知识、大规模、多语言和文本证据溯源，合成方法缺乏可追溯的来源。
• 核心贡献：提出FactNet——一个基于316个维基百科版本的十亿级多语言事实知识图谱，包含17亿原子声明、30.1亿可审计证据指针，接地精度达92.1%（长尾语言亦保持高精度）。
• 关键设计：采用确定性构建流水线，保证每个证据单元可字节级精准恢复；包含FactStatement、FactSense、FactSynset三层架构，结合结构化知识和无结构文本证据。
• 配套资源：构建FactNet-Bench评估套件，涵盖知识图谱补全（KGC）、问答（QA）、事实核查（FC）三大任务。
• 核心价值：为训练和评估可信的多语言事实系统提供基础、可复现的开源资源。

1 Introduction

1.1 核心问题

LLMs的事实幻觉使其在知识密集型场景部署受限，多语言场景下证据的碎片化、分布不均进一步加剧了这一问题，接地生成系统亟需可追溯的证据支撑。

1.2 现有资源的缺陷

• 结构化知识库（如Wikidata）：规模大、结构可查，但缺乏原生的跨度级文本接地，无法验证。
• 接地文本数据集（如FEVER、AveriTeC）：精度高，但人工标注导致规模小、语言覆盖有限。
• 合成扩展数据集：试图解决规模问题，但引入错误传播，破坏溯源性，失去与人工创作源的关联。

1.3 FactNet的核心设计

• 数据源：仅基于维基媒体快照（Wikidata JSON+Wikipedia XML），保证溯源性。
• 构建流水线：全确定性，无随机模型，证据指针可追溯到源资源的具体字节偏移。
• 三层架构：FactStatement（语言中立原子单元）、FactSense（具体语言的接地证据）、FactSynset（跨语言规范化的等价类）。

1.4 研究贡献

1. 提出FactNet：大规模、开源、基于原生维基媒体证据的多语言事实知识图谱。
2. 设计确定性、保留溯源性的构建流水线，实现字节级的证据追溯。
3. 构建FactNet-Bench：综合评估套件，为检索增强的事实性基准建立新标准。

1.5 后续章节安排

依次介绍FactNet的设计与构建、资源统计与质量评估、FactNet-Bench的任务与实验、讨论与未来工作、结论。

2 FactNet: Design and Construction

2.1 核心设计原则

1. 跨语言统一：通过稳定的Wikidata标识符建立统一的事实库存。
2. 可审计的规范化：通过严格的策略驱动机制确定陈述等价性。
3. 确定性接地：事实-文本对齐依赖于可从原始数据快照中严格复现的偏移量。

2.2 范围与溯源

• 数据源：仅使用2025-11-01的维基媒体快照（Wikidata JSON、Wikipedia XML、SQL链接表），无随机推理和外部人工标注。
• 可追溯性：所有记录保留原始源标识符（Wikidata陈述ID、维基百科页面ID、修订ID），构建清单记录快照版本。

2.3 语言覆盖与检索

• 接地规则：仅当主体实体有指向目标维基百科版本的显式站点链接时，才对陈述进行接地。
• 回退机制：保守的标题归一化回退，仅当归一化标题解析为唯一非消歧页面时才检索。
• 精度保障：接地严格限定在主体页面，排除列表、时间线等辅助页面的证据。

2.4 数据模型

FactNet包含四类核心记录，均采用确定性标识符哈希的规范JSON序列化：

1. FactStatement：Wikidata原子陈述，元组为(S,P,V)+限定符Q+引用+排名，S/P为Wikidata标识符，V为类型化值。
2. FactSense：维基百科中FactStatement的接地提及，包含语言、溯源、证据单元类型、可恢复的证据指针。
3. FactSynset：由版本化归一化策略π诱导的FactStatement等价类，包含成员ID和合并原因。
4. RelationEdge：FactSynset间的规则衍生连接，包含结构化溯源，可通过发布的规则集重新推导。

2.5 可审计的FactSynset规范化

• 核心方法：通过聚合键实现陈述合并，聚合键由S、P、归一化值、归一化限定符合并而成，限定符归一化是顺序无关的，会按(PID,归一化值)排序。
• 归一化策略π：默认仅合并严格等价的陈述，语义松弛（时间精度截断、单位转换等）仅在策略授权时应用，且附带机器可读的合并原因。

2.6 FactSense接地提取

1. 预处理视图：从原始维基文本生成三种溯源稳定视图——句子视图（纯文本）、模板视图（信息框参数）、表格视图（表格单元格内容），不做全模板展开以保证偏移稳定性。
2. 证据指针与偏移：指针为(page id, revision id, view type, unit locator)，偏移为基于归一化证据字符串的Unicode码点索引，可精准恢复。
3. 多语言分词：高资源语言用Stanza，低资源语言用确定性规则分词器，所有分词后端和规则均版本化。
4. 对齐策略：采用远程监督，按结构匹配（信息框/表格）→链接匹配（维基链接）→词汇匹配（字面量）的优先级进行，对句子证据验证页面主题一致性和值的类型约束。

2.7 关系结构

RelationEdge包含三类规则衍生边，均有版本化映射文件和可靠性层级：

1. 直接连接：将实体值的synset链接到以该实体为主体的synset，通过描述性属性白名单过滤。
2. 基于模式的关系：由发布的PROPERTY RELATION MAP生成，最大跳数为2。
3. 冲突信号：基于逻辑约束的POTENTIAL CONFLICT边，仅作为信号而非断言矛盾。

2.8 可复现性、格式与授权

• 可复现性：给定固定的输入快照、解析器版本和配置文件，FactNet可完全复现，发布所有重建所需组件。
• 分发格式：分片压缩的Parquet/JSONL格式，附带索引脚本。
• 授权：遵循维基媒体授权，Wikidata内容为CC0，维基百科文本为CC BY-SA，核心分布含结构ID和指针，原始证据文本单独分发。

3 Resource Statistics and Quality Assessment

（详细子小节笔记见本报告第三部分）

4 FactNet-Bench: Tasks and Experiments

4.1 基准设计与可复现协议

核心设计原则：可复现、数据分层、防信息泄露、防转导泄露

1. 确定性快照：所有实验实例、数据分割、评估工件均从FactNet冻结快照生成，发布构建流水线和评分脚本。
2. 分层与去重：在FactSynset级别分层，通过稳定哈希生成分割，保证同一synset的所有事实在同一分区；任务特定的三元组边进行确定性去重。
3. 文本泄露预防：训练时的检索池和实体描述排除开发/测试集的FactSense；KGC采用查询时谓词掩码，避免模型简单提取答案。
4. 辅助结构策略：规则衍生的RelationEdge仅从训练集构建，删除连接开发/测试集的边，保证归纳设置。

4.2 任务与评估指标

FactNet-Bench包含三个核心任务，所有模型结果均报告3个随机种子的均值和标准差：

1. FactNet-KGC（知识图谱补全）：评估实体链接预测，指标为平均倒数排名（MRR）、Hits@10（过滤设置）。
2. FactNet-MKQA（多语言知识图谱问答）：评估可执行逻辑形式生成，指标为Macro F1（答案集匹配）、Valid%（逻辑形式可执行性），无效解析得0分。
3. FactNet-MFC（多语言事实核查）：闭世界事实核查，标签为SUPPORTED/REFUTED/NEI，指标为标签Accuracy、Macro F1，以及证据单元Recall@5、跨度级Evidence F1。

4.3 基线方法

按任务分类，选择多样化基线以确立性能下界，分析不同数据模态的贡献（详细见本报告第四部分Baselines）。

4.4 实验结果与分析

分别对KGC、MKQA、MFC三个任务的实验结果进行分析，验证FactNet-Bench的有效性和FactNet的实用价值（详细见本报告第四部分实验）。

4.5 基准设计验证

FactNet-Bench成功解耦了现有工作中常混淆的评估维度：KGC验证了文本信号的价值和泄露控制的必要性；MKQA将可执行性作为核心瓶颈；MFC验证了证据质量的重要性，实现了无结构检索和结构化推理的桥接。

5 Discussion and Future Works

5.1 FactNet的局限性

1. 召回率受限：确定性设计优先精度，导致长尾语言的召回率降低，尤其是结构模板不一致的场景。
2. 继承源数据偏见：反映维基媒体的主题、人口统计、地理偏见（如男性主体占77%、欧美地理实体占52%）。
3. 静态快照：基于固定快照构建，无法实时同步维基媒体的更新，存在时间滞后。
4. 仅支持二元关系：现有模式主要支持带限定符的二元关系，难以处理复杂的n元关系。

5.2 未来研究方向

1. 提升召回率：采用神经符号对齐策略，在不牺牲溯源性的前提下增强长尾语言的证据提取。
2. 动态更新：实现基于差异的动态更新机制，同步维基媒体的知识演化。
3. 扩展模式：支持复杂的n元关系和事件中心框架，更好地支撑叙事生成。
4. 增强事实核查：挖掘反驳特定声明的句子，引入负面证据，构建幻觉检测基准。

6 Conclusion

• 核心成果：提出FactNet，首个将结构化知识与原生文本起源结合的十亿级316语言事实知识图谱，通过确定性溯源优先的设计解决了现有资源的权衡问题。
• 关键特性：FactNet实现了大规模和语言多样性，同时保证字节级的可追溯性，接地精度达92.1%。
• 基准价值：FactNet-Bench建立了新的评估标准，明确惩罚信息泄露，将可执行性、证据质量作为核心指标。
• 社区贡献：开源FactNet、其构建流水线和FactNet-Bench，推动AI系统向结构化接地、固有可验证的方向发展。

Impact Statement

本研究的目标是推进机器学习领域发展，所提出的FactNet和FactNet-Bench为多语言事实性AI系统提供了基础资源，无需要特别强调的社会后果。

三、3 Resource Statistics and Quality Assessment 各子小节详细Markdown笔记

3.1 Scale, Definitions, and Long-Tail Structure

3.1.1 核心统计指标

基于2025-11-01维基快照的默认配置，FactNet的核心规模：

• 17亿FactStatement（覆盖12.1K属性）→15.5亿FactSynset；
• 30.1亿跨316语言的FactSense；
• 36.9亿规则衍生的RelationEdge；
• 磁盘占用（Parquet）：894GB；
• 溯源重新定位精度（100万样本）：99.63%。

3.1.2 FactSynset分类

为便于分析，将synset分为四类：

1. 含证据的synset：10.5亿（67.93%），包含至少一种FactSense；
2. 强证据synset：8.1亿（52.48%），由高精度提取机制（维基链接实体/信息框字段）支撑；
3. 多语言（证据）synset：4.9亿（31.84%），在两种及以上语言中有提取的FactSense；
4. 多语言（站点链接）synset：9.5亿（61.19%），主体实体有指向多语言维基的站点链接。

3.1.3 长尾分布特征

• 语言分布：前5种语言贡献63.4%的FactSense，前10种占76.1%，后200种仅占2.7%，符合维基百科的重尾分布；
• 属性分布：31.8%的属性有至少100个含证据的synset，仅9.4%的属性超过10000个；
• 评估策略：采用分层抽样，跨语言层级、脚本、匹配类型，保证长尾语言的质量估计可靠。

3.1.4 证据缺口与漏斗分析

• 核心缺口：61.19%的synset有跨语言站点链接，但仅31.84%有跨语言证据，存在明显的证据流失；
• 收益率差异：高资源语言的收益率（可检索页面→至少1个FactSense）为0.79，低资源语言仅0.36；
• 主要瓶颈：页面内匹配（模板映射缺口、表面形式生成问题），而非检索失败。

3.2 Content Distribution and Representation

3.2.1 核心偏见特征

FactNet继承了维基媒体的偏见，未做事后平衡，仅提供诊断指标：

1. 主题分布：人类、地理实体、组织占含证据synset的58%，是主要主题；
2. 人口统计失衡：人类主体（Q5）中，男性占77%、女性占22%、其他/未知占1%；
3. 地理集中：带坐标的主体中，欧美占52%、东亚占17%、南亚占8%。

3.2.2 偏见报告

提供全球和语言层级的偏见统计，突出潜在的表示差异，为负责任的基准构建提供支撑。

3.3 Audit Protocol and Evaluation Estimands

3.3.1 审计方法

采用人在环中的审计，因自动启发式无法可靠验证语义蕴涵，审计协议包含抽样框架和裁决日志：

• 核心估计量：语料库级FactSense精度（随机选择的FactSense在语义上正确的频率加权概率）；
• 抽样策略：在(语言,页面ID)级别进行分层整群抽样，保证长尾语言的覆盖，应用设计权重恢复无偏估计；
• 标注辅助：41%的案例使用NLLB-200机器翻译辅助，对精度影响可忽略（≤0.6个百分点）；
• 标注一致性：Krippendorff’s α在0.74~0.90之间，FactSense正确性的α=0.82，一致性高；
• 弃权率：9.8%，主要因低资源语言的脚本无法识别或上下文不足。

3.4 Grounding Quality of FactSenses

从溯源稳定性、接地精度、召回率下界三个维度评估FactSense的质量：

3.4.1 溯源稳定性

• 100万分层样本的精确重新定位率达99.63%；
• Stanza分词（70种语言）和规则分词（246种语言）的稳定性均较高（99.71% vs 99.54%），验证了确定性分词对低资源语言的有效性。

3.4.2 接地精度

• 全局设计加权精度：92.1%（95% CI [0.913, 0.929]），覆盖316种语言的4200个样本；
• 按匹配类型的精度差异：WIKILINK ENTITY（35%，97.3%）>INFOBOX FIELD（20%，94.4%）>LEXICAL VALUE（35%，88.9%）>LEAD WEAK（10%，80.8%），高Precision的匹配类型占55%的FactSense。

3.4.3 缺失性与召回率下界

• 召回率下界：假阴性率约24%（95% CI [20%, 28%]），无法通过穷举标注获得全局召回率；
• 假阴性原因：严格的类型匹配器遗漏隐式/转述表达、证据位于主体页面的非限定区域；
• 诊断支持：为所有未映射的事实提供确定性未接地原因码，便于问题诊断。

3.5 Canonicalization and Structural Quality

评估FactSynset规范化融合和RelationEdge结构完整性的质量：

3.5.1 Synset完整性

• 假合并率低：严格合并为0.005 [0.002, 0.011]，策略松弛合并为0.017 [0.011, 0.026]；
• 合并比例：9.6%的synset包含多个陈述，仅1.3%的synset涉及策略松弛合并；
• 常见松弛类型：时间精度截断（41%）、单位转换（23%）。

3.5.2 RelationEdge精度与跳数

• 精度随跳数下降：直接连接（0.953）>1跳关系（0.918）>2跳关系（0.882），建议噪声敏感任务设置跳数上限为1；
• 冲突信号精度：POTENTIAL CONFLICT边影响2.69%的synset，识别真实不一致的精度达0.742，是有效的数据清洗分类机制。

3.6 Reproducibility and Integrity

• 完全确定性：给定发布的构建清单，FactNet可完全复现，发布所有模式、策略定义、映射资源和审计日志；
• 透明性：对完整性违规进行显式记录，而非静默修复，保证构建过程的可审计性。

四、4 Experiment 实验部分详细分析

4.1 数据集：FactNet-Bench

4.1.1 数据集构建核心原则

1. 基于FactNet冻结快照构建，所有实例、分割、评估工件均本地生成，无外部端点依赖；
2. 全局Synset级别分割：通过SHA1哈希将synset分为训练集（80%）、开发集（10%）、测试集（10%），同一synset的所有事实归为同一分区；
3. 严格防泄露：训练时排除开发/测试集的FactSense，评估时的检索索引从全新构建，避免训练时接触测试数据；
4. 去重与分层：对任务特定的三元组边去重，采用分层抽样避免测试集泄露。

4.1.2 数据集核心统计（过滤后）

基准任务	训练集	开发集	测试集	额外指标
FactNet-KGC	418万三元组	52万三元组	52万三元组	实体24.8K/关系320，平均度33.7
FactNet-MKQA	5.4万问题	6800问题	6800问题	1-hop/2-hop=0.62/0.38，平均答案集大小2.6
FactNet-MFC	7.2万声明	9000声明	9000声明	标签分布S/R/NEI=0.34/0.33/0.33，平均黄金证据单元1.4

4.1.3 语言覆盖

覆盖18种语言：en、zh、es、fr、de、ru、ar、hi、id、it、ja、ko、nl、pl、pt、th、tr、vi，各语言实例分布近似均匀。

4.2 Baselines（按任务分类，无序列表含时间+简短介绍）

4.2.1 FactNet-KGC 基线

• TransE（2013）：经典的知识图谱嵌入方法，将实体和关系映射到低维向量空间，通过翻译操作建模实体间的关系，是KGC的基础基线。
• RotatE（2019）：在复向量空间中通过关系旋转操作建模实体关系，能更好处理对称、反对称、反转等复杂关系，性能优于TransE。
• CompGCN（2019）：基于组合的多关系图卷积网络，融合实体和关系的表示，通过图卷积捕捉知识图谱的结构信息，是经典的GNN类基线。
• SimKGC（2022）：基于预训练语言模型的简单对比学习KGC方法，引入文本信号，通过对比损失优化实体和关系的表示。
• KG-S2S（2022）：Seq2Seq生成式KGC框架，将KGC视为生成任务，融合文本和结构信息，是典型的文本感知架构。

4.2.2 FactNet-MKQA 基线

• mT5（无语法引导，2021）：多语言T5模型，直接微调用于逻辑形式生成，无语法约束，是基础的seq2seq基线。
• mT5+gram（2024）：在mT5基础上加入语法引导解码，约束生成结果符合预定义的逻辑形式语法，提升可执行性。
• LLaMA-3.3-70B（2024）：开源大语言模型，采用5-shot上下文学习生成逻辑形式，通过确定性解码约束符合语法。
• Qwen-2.5-72B（2025）：通义千问多语言大语言模型，5-shot上下文学习，是性能较强的闭源LLM基线。

4.2.3 FactNet-MFC 基线

• Hyp-only（无时间）：仅基于声明的基线，无证据检索，用于诊断标注伪影，是性能下界。
• BM25+XLM-R NLI（2009/2020）：稀疏检索（BM25）+多语言自然语言推理模型（XLM-R），检索Top-K证据后由NLI模型判断声明真实性。
• E5-large+XLM-R NLI（2024）：稠密检索（E5-large多语言文本嵌入）+XLM-R NLI，相比BM25提升检索精度。
• E5+NLI（Top-5）：在E5-large+XLM-R NLI基础上，对Top-5检索证据进行聚合，提升核查性能。

4.3 实验内容、结果与结论（一实验一对应）

实验1：FactNet-KGC 知识图谱补全实验

实验内容

1. 评估结构化嵌入模型（TransE、RotatE、CompGCN）和文本感知架构（SimKGC、KG-S2S）在带泄露控制的KGC任务上的性能，验证文本信号对结构推理的贡献；
2. 进行泄露控制消融实验：对比谓词掩码开启/关闭时KG-S2S的性能，验证掩码对避免任务退化为信息提取的必要性；
3. 验证训练集专属RelationEdge的有效性：评估加入规则衍生的RelationEdge后GNN模型（CompGCN）的性能变化。

实验结果

1. 结构化基线性能呈明显层级：TransE < RotatE < CompGCN，验证了基准的有效性；
2. 文本感知模型优于结构化模型：KG-S2S相比CompGCN的MRR提升0.014，说明文本信号提供了与结构信息正交的有效信息；
3. 泄露控制至关重要：关闭谓词掩码时，KG-S2S的MRR从0.298异常升至0.351，结构化模型性能无变化，说明无掩码时任务退化为信息提取；
4. 加入训练集RelationEdge后，CompGCN的MRR显著提升，且未违反归纳约束。

实验结论

1. 文本信号能有效增强知识图谱的结构推理能力，为结构化模型提供正交的信息补充；
2. 谓词掩码和训练/测试集分离是KGC基准的必要组件，可有效避免信息泄露，保证评估的客观性；
3. 可审计的规则衍生RelationEdge能提升GNN模型的学习效率，且不会引入转导泄露，是有效的辅助结构。

实验2：FactNet-MKQA 多语言知识图谱问答实验

实验内容

1. 评估微调小模型（mT5、mT5+gram）和大模型上下文学习（LLaMA-3.3-70B、Qwen-2.5-72B）在多语言可执行逻辑形式生成任务上的性能；
2. 验证语法引导解码对模型可执行性（Valid%）和Macro F1的影响；
3. 分析不同模型在低资源语言上的性能差异，验证FactNet-Bench对多语言模型的评估能力。

实验结果

1. 可执行性是MKQA任务的核心瓶颈：mT5+gram相比纯mT5，Macro F1提升3.2个百分点，可执行性从88.5%升至95.2%；
2. 大模型上下文学习的语义精度更高：Qwen-2.5-72B的Macro F1达41.36，优于LLaMA-3.3-70B（39.87）和微调mT5+gram（37.90）；
3. 微调模型的可执行性更优：mT5+gram的Valid%（95.22%）略高于Qwen-2.5-72B（93.83%），因语法引导解码更严格；
4. 所有模型在低资源语言（如ar、hi、th）上的性能均显著下降，存在明显的语言层级差异。

实验结论

1. 可执行性是多语言KGQA的核心评估指标，语法约束能有效提升模型的输出合规性，直接转化为性能增益；
2. 大模型的上下文学习在语义理解上具有优势，但微调小模型结合语法引导能实现更高的可执行性，适合对输出格式要求严格的场景；
3. FactNet-Bench能有效暴露多语言模型在长尾语言上的性能短板，为低资源语言KGQA模型的优化提供了可靠的评估依据。

实验3：FactNet-MFC 多语言事实核查实验

实验内容

1. 评估无证据基线（Hyp-only）和证据基线路线（BM25+NLI、E5+NLI、E5+NLI Top-5）的性能，验证证据检索对事实核查的必要性；
2. 对比稀疏检索（BM25）和稠密检索（E5-large）在证据提取精度、召回率上的差异；
3. 分析证据聚合（Top-5）对标签判断精度和跨度级Evidence F1的影响，验证FactNet证据指针的实用价值。

实验结果

1. 无证据基线性能极低：Hyp-only的Accuracy仅0.381，说明标注伪影可忽略，任务需要真正的证据验证；
2. 证据基线路线显著优于无证据基线：Accuracy提升0.27~0.35个百分点，验证了证据检索的核心价值；
3. 稠密检索优于稀疏检索：E5-large+NLI相比BM25+NLI，Accuracy从0.654升至0.701，Recall@5从0.76升至0.83，Span F1从0.41升至0.49；
4. 证据聚合进一步提升性能：E5+NLI Top-5的Accuracy和Span F1均高于单证据检索，说明多证据合成能提升核查性能。

实验结论

1. 证据检索是多语言事实核查的核心环节，基于FactNet的接地证据能有效提升模型的事实判断能力；
2. 稠密检索在多语言证据提取上的性能优于稀疏检索，是FactNet-MFC任务的更优检索选择；
3. FactNet的跨度级证据指针具有实际应用价值，能有效支撑模型的证据定位和跨度级匹配，提升事实核查的可解释性；
4. 多证据聚合能有效综合信息，提升标签判断和证据定位的性能，是事实核查模型的重要优化策略。

一、研究问题及其对应研究背景（有序列表）

1. 研究问题：如何解决大语言模型赋能的多智能体系统（MAS）在虚假信息检测中存在的信息淹没问题，即大量真实内容掩盖稀疏、微弱的欺骗线索，智能体易聚焦主导模式且智能体间通信会放大该偏差的问题
   研究背景：社交媒体虚假信息形式多样（虚假账号、虚假评论、篡改新闻等），严重破坏信息可信度；人工审核因内容量激增效率不足，深度学习模型检测存在决策不透明、可解释性差的问题；LLM凭借强推理和上下文理解能力为内容审核提供新方向，MAS通过协同推理在复杂任务上表现优于单智能体，是虚假信息检测的潜在方案，但传统MAS存在上述信息淹没的核心缺陷。
2. 研究问题：如何设计分层的视角感知聚合多智能体框架，实现欺骗异常线索的凸显与保留，提升虚假信息检测的鲁棒性
   研究背景：传统MAS让每个智能体获取完整输入上下文，虽保证推理全面性但放大了正常信号的主导性，使智能体倾向于良性判断，且智能体间通信会压制少数异常证据，让虚假信息更难被检测；现有MAS未从特征分解和分层聚合角度针对性强化异常线索的捕捉与传递。
3. 研究问题：如何为多智能体框架设计面向效率的自适应机制，解决分层框架在优化和推理阶段耗时、令牌消耗大的问题，提升框架的效率与可扩展性
   研究背景：若为解决信息淹没问题设计分层多智能体框架，会出现同一层智能体独立判断导致LLM重复调用、跨层复杂交互增加推理时间和令牌使用的问题；传统MAS的优化和推理机制未针对虚假信息检测的场景做动态调整，难以平衡检测性能与计算效率。
4. 研究问题：如何验证所提出的PAMAS框架在不同虚假信息场景的基准数据集上，相较于现有深度学习和MAS方法，在检测准确性、效率、可解释性上的优越性，以及各自适应机制的单独作用与协同效果
   研究背景：目前尚未有研究将LLM赋能的MAS系统系统性应用于虚假信息检测领域，也缺乏对该领域MAS核心问题（信息淹没）的针对性验证；现有虚假信息检测的对比实验多集中于单一方法或单一数据集，缺乏跨场景（异常用户、虚假评论、假新闻）的全面性能与效率验证。

二、附录B（Detailed Prompts of Three Agents）小节详细markdown笔记

B 三种智能体的详细提示词

B.1 审计者（Auditor）提示词

1. 推理提示词（\(\phi_{A}\)）
   • 角色定位：检测专家
   • 输入：用户的子特征（）、自身的检测经验（）
   • 任务：判断用户为恶意（1）或正常（0）
   • 输出格式：<User, Decision, Reason>
2. 优化提示词（\(SelfRef_{A}\)）
   • 角色定位：检测专家
   • 输入：自身当前经验（）、其他智能体的经验（<Other Agent’s Experience>）
   • 任务：将两类经验整合为一句简洁的话，作为更新后的经验
   • 输出格式：

B.2 协调者（Coordinator）提示词

1. 优化提示词（\(SelfRef_{C}\)）
   • 角色定位：团队协调者
   • 输入：当前对下属的权重分配（）、下属的历史决策（）及推理（）
   • 任务：根据下属表现微调每个下属的权重
   • 输出格式：
     注：协调者无单独推理提示词，其决策通过对下属输出的加权投票实现

B.3 决策者（Decision-Maker）提示词

1. 推理提示词（\(\phi_{D}\)）
   • 角色定位：最终决策专家
   • 输入：用户的完整特征（）、所有协调者的判断（<Coordinators’ Judgments>）、自身的检测经验（）
   • 任务：判断用户为恶意（1）或正常（0）
   • 输出格式：<User, Decision, Reason>
2. 优化提示词（\(SelfRef_{D}\)）
   • 角色定位：最终决策专家
   • 输入：自身当前经验（）、协调者的判断及推理（<Coordinators’ Judgments and Reasons>）
   • 任务：整合信息并微调各协调者的权重，同时将更新后的经验总结为一句简洁的话
   • 输出格式：<New Weights, New Experience>

三、3 PAMAS（自适应性视角聚合多智能体系统）小节详细markdown笔记

3 PAMAS: Self-Adaptive Multi-Agent System with Perspective Aggregation

核心定位：提出分层的视角感知聚合多智能体框架，通过角色划分、系统初始化、优化阶段自适应策略、推理阶段路由策略，解决虚假信息检测中的信息淹没问题，同时提升框架的鲁棒性、效率与可扩展性。

3.1 Agent Roles（智能体角色）

核心内容：将PAMAS的智能体划分为审计者（Auditors）、协调者（Coordinators）、决策者（Decision-Maker）三层角色，各角色有明确的职责、记忆模块和推理规则，形成分层协作的基础。

3.1.1 Auditor（审计者）

1. 定位：PAMAS输入层的基础检测单元，虚假信息检测的第一层观测者
2. 核心职责：从特定特征子集（非完整特征）捕捉虚假信息的异常线索，保证检测视角的多样性，避免单一解释的主导性。
3. 特征分配：从检测实例中提取多维度特征（统计、文本语义、时间动态等），每个审计者分配唯一的特征子集，形成互补的检测视角。
4. 记忆模块：分为两部分，均为动态进化的模块
   • 经验记忆（\(M_{A}^{exp}\)）：从积累案例中提炼的检测经验，构成识别虚假信息的知识基础；
   • 行为记忆（\(M_{A}^{act}\)）：记录过往输入的具体决策及推理依据，支持决策回溯。
5. 推理规则：给定输入\(x\)，结合自身配置文件\(P_{A}\)、两类记忆，输出决策-推理对：\(\left(d_{A}, r_{A}\right) \sim \phi_{A}\left(x, \mathcal{P}_{A}, \mathcal{M}_{A}^{act }, \mathcal{M}_{A}^{exp }\right)\)，其中\(d_{A} \in\{0,1\}\)为检测标签，\(r_{A} \in R\)为自然语言推理，输出结果同步存入行为记忆。

3.1.2 Coordinator（协调者）

1. 定位：PAMAS隐藏层的中间组织者，可递归设置多层，适配任务复杂度
2. 核心职责：聚合下属审计者/低层级协调者的异构视角，形成更可靠的决策，同时放大并保留审计者识别的异常线索，向上传递至更高层级。
3. 记忆模块：分为两部分
   • 置信记忆（\(M_{C}^{cont}\)）：记录对每个下属的信任权重\(w_{j}\)，权重随系统优化动态进化，反映下属的长期可靠性；
   • 行为记忆（\(M_{C}^{act}\)）：记录自身的聚合决策及下属的投票分布，支持决策回溯。
4. 推理规则：通过加权投票聚合下属输出\(\{(d_{j}, r_{j})\}\)，决策公式为：\(d_{C}=\mathbb{I}\left[\sum_{j \in \mathcal{S}(C)} w_{j} \cdot\left(2 d_{j}-1\right)>0\right]\)，其中\(S(C)\)为协调者的下属集合，决策和投票分布同步存入行为记忆；无独立推理生成，其推理依据继承自权重最高且决策与自身聚合结果一致的下属。

3.1.3 Decision-Maker（决策者）

1. 定位：PAMAS层级结构的顶层，最终的决策仲裁者
2. 核心职责：将自身对完整上下文的直接判断，与所有顶层协调者的聚合输出融合，调和下属的冲突观点，保留少数但高风险的异常信号，输出最终检测决策与推理。
3. 记忆模块：分为三部分
   • 置信记忆（\(M_{D}^{conf}\)）：记录对各顶层协调者的信任权重；
   • 经验记忆（\(M_{D}^{exp}\)）：从与下属的反复交互中提炼的检测经验；
   • 行为记忆（\(M_{D}^{act}\)）：存档最终决策及支持依据。
4. 推理规则：结合输入\(x\)、顶层协调者的输出与信任权重\(\{(d_{C_{k}}, r_{C_{k}}, \alpha_{k})\}\)、自身配置文件\(P_{D}\)和三类记忆，输出最终决策-推理对：\((d_{D},r_{D})\sim \phi _{D}\Big (x,\{ (d_{C_{k}},r_{C_{k}},\alpha _{k})\} _{k},\mathcal {P}_{D},\mathcal {M}_{D}^{conf},\mathcal {M}_{D}^{exp },\mathcal {M}_{D}^{act}\Big )\)；其中\(P_{D}\)限定其需整合所有顶层协调者输出，并利用完整特征维度和积累记忆做最终判断。

3.2 Initialization of PAMAS（PAMAS的初始化）

核心内容：解决智能体记忆、信任权重的初始设置，以及各角色间层级关系的构建问题，为系统优化和推理奠定基础，初始化的核心是无偏起点和视角多样性。

3.2.1 Decision-Maker Self-Learning（决策者自学习）

1. 初始化前提：所有智能体记忆为空，所有上下级信任权重初始化为1，保证无偏起点。
2. 核心流程：以带真实标签\(y\)的输入实例\(x\)为基础，决策者先通过公式(6)形成初步判断\((\hat{d}_{D}, \hat{r}_{D})\)，再将初步判断与真实标签对比进行自反思，提炼新经验并加入经验记忆：\(\mathcal{M}_{D}^{exp } \leftarrow \mathcal{M}_{D}^{exp } \cup SelfRef_{D}\left(x, d_{D}, \hat{r}_{D}, y\right)\)。
3. 作用：建立决策者的初始经验记忆，为后续审计者的训练提供知识基础。

3.2.2 Auditor Assignment（审计者分配）

核心目标：为审计者分配唯一的特征子集，并赋予差异化的初始经验，避免同质行为，保证检测视角的多样性。

1. 特征分配：将输入实例分解为多维度特征，为每个审计者分配唯一的特征子集，限定其观测范围，形成互补视角。
2. 决策者引导的审计者训练：基于检索增强生成（RAG），让审计者从决策者的经验记忆中学习，步骤为：
   • 将审计者的可观测特征子集描述编码为嵌入向量\(Z_{A}\)；
   • 计算该向量与决策者经验记忆中各片段\(e\)的余弦相似度，检索Top-k相关片段：\(E_{A}=TopK_{k}\left(Sim\left(z_{A}, e\right)\right)\)；
   • 审计者对检索片段做局部自反思，总结为可泛化的启发式规则，更新自身经验记忆：\(\mathcal{M}_{A}^{exp } \leftarrow SelfRef_{A}\left(E_{A}\right)\)。
3. 作用：完成审计者配置文件和经验记忆的初始化，实现知识从决策者到审计者的有效传递，同时保证审计者的视角差异。

3.2.3 Relation Construction（关系构建）

核心目标：通过分层聚类构建审计者、协调者、决策者间的层级关系，形成可扩展的分层结构，同时嵌入视角多样性。

1. 核心流程：该流程可递归应用（协调者可再聚类形成更高层级协调者，直至决策者为顶层），基础步骤为：
   • 基于审计者在验证集上的标签预测向量相似度，对审计者做聚类；
   • 为每个聚类\(G\)指定1个协调者\(C\)，并选择聚类中验证集F1分数最高的审计者作为锚点审计者：\(A^{*}=arg max _{A \in \mathcal{G}} F 1(A)\)；
   • 以锚点审计者为基础，从聚类中随机采样审计者至预设组大小，若聚类内样本不足，从最近邻聚类补充，形成协调者的下属集合：\(S(C)=\left\{A^{*}, A_{2}, ..., A_{k}\right\}, k \leq n_{max }\)（\(n_{max}\)为协调者下属的最大允许数量）。
2. 作用：形成PAMAS的分层协作结构，每个协调者管理唯一的下属子集，保证整个框架的异构视角。

3.3 The Optimization of PAMAS（PAMAS的优化）

核心内容：设计迭代精炼流程，分为前向传播、拓扑自适应、反向目标校正三个相连阶段，在解决信息淹没问题的基础上，优化框架结构和智能体能力，减少计算浪费。

3.3.1 Forward Pass（前向传播）

1. 核心方向：自底向上生成检测决策，同时记录所有决策至对应智能体的行为记忆，为后续优化提供依据。
2. 流程：
   • 审计者结合自身两类记忆，通过公式(4)生成决策-推理对；
   • 协调者利用置信记忆中的信任权重，通过加权投票（公式5）聚合下属输出；
   • 决策者结合自身配置文件和记忆，通过公式(6)融合顶层协调者的输出，生成最终决策与推理；
   • 各层级的决策结果同步存入对应智能体的行为记忆，保证决策的可追溯性。

3.3.2 Topology Adaptation（拓扑自适应）

核心目标：在每个批次前向传播后，通过剪枝冗余智能体和扩展互补智能体，动态调整PAMAS的层级结构，平衡检测的效率与鲁棒性，操作范围为每个协调者的下属组。

1. 剪枝冗余成员：
   • 为协调者的每个下属\(i\)计算评分：\(Score _{i}=[Acc(\mathcal{S}(C))-Acc(\mathcal{S}(C) \backslash\{i\})]-\lambda \cdot \frac{1}{|S(C)|-1} \sum_{j \in \mathcal{S}(C) \backslash\{i\}} cos \left(v_{i}, v_{j}\right)\)，其中第一项为边际准确率提升，第二项为与同伴的平均冗余度（\(\lambda\)为平衡系数）；
   • 若\(Score _{i}<0\)，判定该下属无帮助，予以移除。
2. 扩展互补成员：
   • 当下属组\(S(C)\)在边界样本上出现相关失败时，对下层非该组的候选智能体\(i\)计算增益：\(Gain _{i}=\Delta Acc(\mathcal{S}(C) \cup\{i\})-\gamma \cdot \frac{1}{|\mathcal{S}(C)|} \sum_{j \in S(C)} cos \left(v_{i}, v_{j}\right)\)，其中第一项为加入后的预期准确率提升，第二项为与现有成员的相似度惩罚（\(\gamma\)为惩罚系数）；
   • 将增益最高的候选智能体纳入该协调者的下属组。

3.3.3 Backward Targeted Correction（反向目标校正）

核心目标：在拓扑自适应后的结构上，仅对做出错误判断的智能体更新记忆，以自顶向下的方式（决策者→协调者→审计者）实现误分类驱动的自改进，减少不必要的计算。

1. 决策者更新：
   • 经验记忆更新：通过自反思将新经验加入记忆，公式为\(\mathcal{M}_{D}^{exp } \leftarrow \mathcal{M}_{D}^{exp } \cup SelfRef_{D}\left(x, d_{D}, \hat{r}_{D}, y\right)\)；
   • 置信记忆更新：对每个下属\(j\)的权重做调整，公式为\(\mathcal{M}^{conf }[j] \leftarrow(1-\alpha) \cdot \mathcal{M}^{conf }[j]+\alpha \cdot[f_{ref }\left(y, d_{j}\right)+\theta\left\{d_{j}=y\right\}]\)，其中\(\alpha\)为平衡系数，\(f_{ref }\left(y, d_{j}\right)\)为自反思项，\(\theta\left\{d_{j}=y\right\}\)为历史准确率项。
2. 协调者更新：遵循与决策者一致的置信记忆更新逻辑，调整对自身下属的信任权重。
3. 审计者更新：为避免逐实例自反思的高成本，在每个epoch结束时更新：
   • 以自身现有经验片段为线索，从决策者的经验记忆中检索Top-k相关片段；
   • 对检索片段做自反思，将新经验加入自身经验记忆：\(\mathcal{M}_{A}^{exp } \leftarrow \mathcal{M}_{A}^{exp } \cup SelfRef_{A}\left(E_{A}\right)\)；
   • 作用：在避免高计算成本的前提下，持续从决策者处获取知识，丰富自身检测经验。

3.4 Routing Inference of PAMAS（PAMAS的路由推理）

核心内容：设计自顶向下的置信度引导路由策略，避免所有智能体参与每个实例的推理，实现早停机制，在保证决策质量的前提下大幅降低计算开销。

1. 核心原则：简单实例通过低层级智能体的高共识快速决策，仅将有争议的实例升级至更高层级判断，仅激活最可靠的分支直至形成多数共识。
2. 具体流程：
   • 决策者从其下属\(S(D)\)中激活置信权重最高的2个协调者：\(\left\{j_{1}, j_{2}\right\}=arg max _{j \in S(D)}^{(2)} \alpha_{j}\)；
   • 若二者预测一致，直接确定决策\(d_{C}=d_{j_{1}}\)；若不一致，按置信权重降序激活更多协调者，第\(t\)步的激活集合为\(\mathcal{A}_{t}=\left\{j_{1}, j_{2}, ..., j_{2 t+2}\right\}\)；
   • 计算激活集合的多数边际：\(m\left(\mathcal{A}_{t}\right)=\sum_{j \in \mathcal{A}_{t}}\left(2 d_{j}-1\right)\)，当\(m(A_{t}) ≠0\)时实现早停，此时的最小激活集合为\(A^{*}\)，多数决策为\(d_{C}=\mathbb{I}\left[m\left(\mathcal{A}^{*}\right)>0\right]\)；
   • 该路由规则递归应用于所有协调者，直至最底层审计者；
   • 决策者整合激活集合\(A^{*}\)中协调者的路由决策、自身经验记忆和输入的完整特征集，生成最终决策与推理：\(\left(d_{D}, r_{D}\right) \sim \phi_{D}\left(\mathcal{F}(x),\left\{\left(d_{C_{k}}, r_{C_{k}}, \alpha_{k}\right)\right\}_{k \in \mathcal{A}^{*}}, \mathcal{M}_{D}^{conf }, \mathcal{M}_{D}^{exp }, \mathcal{M}_{D}^{act }\right)\)。

四、4 Experiment（实验部分）详细内容

4.1 数据集

实验采用3个虚假信息检测领域的公共基准数据集，覆盖异常用户、误导性评论、假新闻三类典型场景，数据集按7:1:2划分为训练集、验证集、测试集，具体统计如下：

数据集	总样本数	真实样本数	虚假样本数	应用领域
Amazon	4904	2989	1915	电商异常用户检测
DeRev2018	1552	776	776	误导性产品评论检测
PolitiFact	670	348	322	政治假新闻检测

4.2 Baselines（基线方法）

按多智能体方法和深度学习/规则方法分为两类，各方法标注提出时间+简短介绍，无序列表呈现：

第一类：多智能体方法

• Vanilla-LLM [13]，2024：直接调用LLM API进行虚假信息检测，无任何智能体结构，是最基础的LLM检测基线。
• Vanilla-Agent [15]，2025：单一智能体模型，配置最简单的配置文件和行为记忆，是多智能体方法的最小基线。
• Chain/Star/Tree [20]，2024：经典的多智能体协作结构，Chain为智能体按顺序传递信息的串行结构，Star为中心枢纽智能体协调所有下属的星型结构，Tree为分层的树型协作结构。
• Graph [43]，未标注（n.d.）：全连接图结构，每个节点为一个智能体，所有智能体间互相交换信息，最大化信息共享。
• Layer [45]，2024：全连接分层结构，每一层包含不同角色的智能体，按层级进行信息交互。
• DyLAN [14]，2024：时序分层设计的智能体网络，智能体间相互评估并迭代更新彼此的信任权重。

第二类：深度学习/规则方法

• MLP [26]，2017：标准的多层感知机模型，是虚假信息检测的传统机器学习基线。
• NFGCN-TIA [30]，2022：针对异常用户检测的图卷积模型，通过协同评分关系凸显可疑的用户交互行为。
• SIPUL [25]，2023：针对误导性评论检测的模型，基于情感强度引导的正未标记（PU）学习框架。
• BREAK [41]，2025：针对假新闻检测的模型，双层语义建模框架，对结构和特征语义进行去噪与融合。

4.3 实验内容、结果与结论

实验围绕4个核心研究问题设计4个独立实验，每个实验对应实验内容+实验结果+实验结论，一一对应呈现。

实验1：性能对比实验（回答Q1）

实验内容

对比PAMAS与传统深度学习方法、现有主流MAS方法在3个基准数据集上的检测性能，采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值、AUC5个评价指标，每个指标计算5次并取平均值，验证PAMAS在不同虚假信息场景下的整体检测性能优越性。

实验结果

1. PAMAS在3个数据集的所有评价指标上均取得最优结果，如Amazon数据集上Acc达0.9715、F1达0.9661，PolitiFact数据集上AUC达0.9733，显著优于所有对比基线；
2. Vanilla-LLM/Vanilla-Agent的性能较差，甚至Vanilla-LLM不如MLP基线，说明直接调用LLM或单智能体难以处理虚假信息的欺骗性和上下文依赖性；
3. 传统MAS结构（Chain/Star）的性能与MLP相当或略优，但弱于先进的深度学习模型；复杂MAS结构（Graph/Layer/DyLAN）性能有提升，但仍显著低于PAMAS。

实验结论

1. 视角感知聚合机制能有效解决MAS在虚假信息检测中的信息淹没问题，大幅提升检测性能，证明了PAMAS框架设计的有效性；
2. 单纯的LLM调用或单智能体模式不适合处理虚假信息检测任务，领域特定知识和进化记忆的加持仅能小幅提升性能；
3. MAS的结构设计对虚假信息检测性能至关重要，复杂结构虽比简单结构表现好，但未针对信息淹没问题设计的MAS仍有性能瓶颈。

实验2：消融实验（回答Q2）

实验内容

设计5个PAMAS变体，验证拓扑自适应（TA）、目标校正（TC）、置信度引导路由（CR）三大自适应策略的单独作用与协同效果，变体包括：PAMAS w/o Enhancements（无任何策略）、PAMAS w/o TA、PAMAS w/o TC、PAMAS w/o Routing、全策略PAMAS；从检测准确率和令牌消耗两个维度评估各策略的影响。

实验结果

1. 即使无任何自适应策略，PAMAS的性能仍具有竞争力，且令牌消耗低于Graph/Layer/DyLAN等复杂MAS结构；
2. 三大策略均能在提升准确率和降低令牌消耗上带来可量化的改进，且协同作用时效果最优；
3. 拓扑自适应（TA）在3个数据集上带来最大的准确率提升，目标校正（TC）实现最大的令牌消耗降低，置信度引导路由（CR）在小幅提升准确率的同时进一步提升推理效率。

实验结论

1. PAMAS的基础分层视角聚合框架本身已能有效解决信息淹没问题，自适应策略为框架带来额外的性能与效率增益；
2. 三大自适应策略各有核心作用，拓扑自适应优化框架结构提升鲁棒性，目标校正精准改进智能体能力减少计算，置信度引导路由优化推理流程降低开销；
3. 三大策略的协同作用让PAMAS处于准确率-效率的最优前沿，是平衡检测性能与计算成本的关键。

实验3：令牌效率对比实验（回答Q3）

实验内容

对比PAMAS与现有主流MAS方法（Chain/Star/Tree/Graph/Layer/DyLAN）在3个基准数据集上的令牌消耗，同时结合各方法的检测准确率，分析PAMAS的令牌效率优势，验证其在大规模虚假信息检测中的适用性。

实验结果

1. PAMAS在保持最优检测准确率的同时，实现了最低的令牌消耗，远低于Graph/Layer/DyLAN等复杂MAS结构；
2. MAS的结构复杂度与令牌消耗正相关：简单结构（Chain/Star）令牌消耗低但性能差，复杂结构（Graph/Layer/DyLAN）性能提升但令牌消耗大幅增加；
3. PAMAS通过TA/TC/CR三大策略，避免了不必要的智能体更新和冗余激活，实现了令牌消耗的大幅降低。

实验结论

1. PAMAS的自适应机制能在不牺牲检测性能的前提下，显著提升令牌效率，解决了分层多智能体框架的计算开销问题；
2. 现有复杂MAS结构虽能提升检测性能，但令牌消耗过高，不适合大规模虚假信息检测的实际场景；
3. PAMAS通过分层结构+领域定制的自适应机制，实现了检测性能与令牌效率的更好平衡，具备大规模部署的潜力。

实验4：案例研究实验（回答Q4）

实验内容

选取3个代表性检测案例（1个成功案例、2个失败案例），分析PAMAS在实际虚假信息检测中的行为模式，探究PAMAS的决策逻辑、优势及现存缺陷，案例包括：成功检测恶意用户、协调者意见分歧导致误判、决策者与协调者共识矛盾导致误判。

实验结果

1. 成功案例：协调者与决策者的判断完全一致，用户的恶意特征（高发布频率、极端情感、内容重复）显著，无矛盾证据，PAMAS精准检测出虚假信息；
2. 失败案例1（协调者分歧）：8个协调者中5个判定恶意、3个判定正常，分歧源于特征解读差异（一方关注评分不一致，一方关注整体积极情感），决策者随多数票做出误判；
3. 失败案例2（协调者-决策者不匹配）：协调者一致判定用户正常（高平均评分、稳定评论长度），但决策者基于异常交互频率的深层线索override共识，做出误判。

实验结论

1. PAMAS在特征信号明确、无矛盾证据的场景下，能通过分层聚合实现精准的虚假信息检测，体现了视角聚合的优势；
2. PAMAS的误判主要源于特征线索的矛盾性：一是协调者对不同特征的解读分歧导致无明确共识，二是决策者的独立判断与协调者的聚合共识产生冲突；
3. PAMAS仍需优化冲突线索的融合机制，需设计更合理的规则调和协调者间的分歧，以及决策者与协调者的判断矛盾，进一步提升检测的鲁棒性。