基于量子驱动的轻量化多模态特征融合框架（LQMF-RD）在社交媒体谣言检测中的创新研究

本文提出一种轻量级量子驱动多模态特征融合框架（LQMF-RD），通过动态图网络（DGN）捕捉谣言传播的时空特征，并利用量子卷积和池化操作实现多模态特征的深度交互与融合。该框架仅需更新0.01M参数，显著降低计算复杂度，在微博和PHEME数据集上分别达到92.20%和90.45%的准确率，展现出优越的检测性能、计算效率及对量子噪声的强鲁棒性。

　　

^hSection snippets^/h

^hRumor Detection^/h

在现有研究中，谣言检测通常被构建为一个二分类问题。早期方法主要依赖于大量手工制作的特征，旨在对文本内容、视觉特征或传播结构进行建模以训练分类模型[9], [14], [15], [16]。例如，MA等人[4]提出了一种基于循环神经网络（RNN）的谣言检测模型，用于学习微博上事件的序列表示。为了捕捉更细粒度的情感信息...

^hLightweight Quantum-driven Multi-modal Fusion Framework^/h

为了有效捕捉和整合多模态信息，并利用量子计算的优势来增强特征表示，我们设计了一种用于谣言检测的轻量级量子驱动多模态特征融合框架（LQMF-RD）。如图1所示，LQMF-RD包含四个模块：特征提取、量子编码、轻量级量子驱动多模态融合网络（LQMFN）以及量子测量与优化。具体来说，特征提取模块负责获取...

^hDatasets^/h

我们使用两个公开可用的谣言检测数据集，微博[45]和PHEME[46]，来验证所提出的模型。微博数据集是一个从新浪微博平台收集的中文谣言数据集，而PHEME数据集包含了Twitter上几则不同突发新闻相关的推文。这两个数据集都包含了每条推文的文本、图像和评论。为了确保多模态虚假信息检测方法比较的公平性，我们从数据集中移除了任何模态缺失或重复的数据条目...

^hConclusion^/h

在本文中，我们提出了LQMF-RD，一种用于社交媒体谣言检测的轻量级量子驱动多模态特征融合框架。LQMF-RD利用动态图网络（DGN）分析谣言传播图的结构和动态演化，使用结构注意力和时间注意力机制来捕捉图中节点的邻域特征和时间特征。这使得模型能够全面理解谣言的传播模式并提供准确的检测结果。