基于轻量级量子驱动的多模态融合谣言检测框架LQMF-RD

本文提出一种创新的轻量级量子驱动多模态融合框架（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。该框架仅需更新0.01M参数，在保持高精度的同时显著提升计算效率，为社交媒体谣言检测提供了量子计算赋能的新范式。

　　

研究亮点

• 提出LQMF-RD框架，利用量子计算优势高效整合文本、图像及传播网络图等多模态特征

• 设计动态图网络（DGN），结合结构与时间注意力机制，从传播网络中提取时空特征，捕捉节点在不同时间步的演化规律

• 开发轻量级量子驱动多模态融合网络（LQMFN），通过量子卷积与池化操作实现深度特征交互与融合，仅需更新0.01M参数，大幅降低计算复杂度与存储需求

• LQMF-RD在微博和PHEME数据集上分别达到92.20%和90.45%的准确率，优于现有基线模型，兼具卓越计算效率与量子噪声鲁棒性

谣言检测研究现状

现有研究通常将谣言检测视为二分类问题。早期方法主要依赖人工构建特征，通过建模文本内容、视觉特征或传播结构来训练分类模型。例如，MA等人基于循环神经网络（RNN）学习微博事件的序列表示；为捕捉更细粒度的情感特征，部分研究尝试结合注意力机制分析用户评论的情感倾向。随着多模态学习发展，研究者开始探索跨模态交互，但仍面临模态对齐困难与计算冗余等挑战。

轻量级量子驱动多模态融合框架

为有效整合多模态信息并发挥量子计算在特征增强方面的优势，我们设计了LQMF-RD框架。如图1所示，该框架包含特征提取、量子编码、轻量级量子驱动多模态融合网络（LQMFN）及量子测量优化四大模块。特征提取模块获取文本、图像与传播图的嵌入表示，通过振幅编码将其投影至[log₂N]维量子态空间；LQMFN通过参数化量子电路实现跨模态特征纠缠与压缩，最终通过量子测量输出分类结果。

数据集

实验采用公开的微博与PHEME谣言检测数据集。微博数据集源自新浪微博平台，PHEME包含Twitter多起突发新闻相关推文。为确保多模态信息检测的公平性，我们剔除了模态缺失或重复的样本。

结论

LQMF-RD框架通过动态图网络解析谣言传播的结构与动态演化，结合量子驱动的轻量级融合机制，显著提升了检测效率与鲁棒性。该工作为社交网络信息安全治理提供了创新技术路径。