基于EPRVFL模型的实时假新闻检测：一种高效轻量化的BERT嵌入集成方法

针对社交媒体假新闻实时检测的算力瓶颈问题，Rajiv Kumar Gurjwar团队提出嵌入特权随机向量功能链接网络(EPRVFL)。该模型通过集成BERT-base嵌入与浅层神经网络，在PolitiFact(91.77%/0.0011s)、LIAR2(74.65%/0.0208s)等数据集上实现精度与速度的平衡突破，为动态环境下的虚假信息治理提供高效解决方案。

　　

在社交媒体主导信息传播的时代，虚假新闻如同数字病毒般肆虐——从扭曲政治选举的认知战到激化巴以冲突的谣言，其破坏力已远超想象。传统检测方法如卷积神经网络(CNN)和双向门控循环单元(BiGRU)虽有一定效果，但1.3395秒的推理延迟和72.08%的准确率难以应对实时场景；而双向长短期记忆网络(BiLSTM)98.35%的高精度代价是0.7674秒的响应时间，犹如用精密手术刀处理街头急救。更棘手的是，现有模型普遍存在三重矛盾：计算复杂度与实时性不可兼得、数据分布失衡导致性能波动、上下文理解与轻量化难以共存。

针对这些挑战，研究人员开发了嵌入特权随机向量功能链接网络(Embedding Privileged Random Vector Functional Link, EPRVFL)。这项发表于《Pattern Recognition Letters》的研究通过革命性的架构设计，将双向编码器表示转换器(Bidirectional Encoder Representations from Transformers, BERT)的语义理解优势与随机向量功能链接(Random Vector Functional Link, RVFL)网络的高效特性相结合。模型采用直接连接输入输出层的浅层结构，在PolitiFact、LIAR2和BuzzFeed-Webis三个异构数据集上同步优化推理速度与分类性能，最终实现0.0011秒级响应与91.77%准确率的双重突破。

关键技术方法包括：1) 对LIAR2数据集22,961条记录进行二值化处理，将16,948条假新闻与6,014条真新闻重构为二元分类任务；2) 采用BERT-base模型生成文本嵌入，通过实验确定最优嵌入维度；3) 构建含特权层的RVFL网络，其输入层与输出层的直接连接显著降低计算复杂度；4) 在不使用过采样技术条件下处理类别不平衡问题。

Experimental dataset
研究选取具有代表性的多源数据：LIAR2包含政治新闻22,961条，BuzzFeed-Webis提供平衡的社交媒体样本，PolitiFact则涵盖广泛主题。通过二值化标签转换和随机抽样策略构建评估基准，确保模型在分布差异显著场景下的泛化能力测试。

Proposed EPRVFL model
该模型创新性地将BERT嵌入作为特权信息注入RVFL网络。实验显示，其浅层架构在保持<0.02秒推理速度的同时，F1值稳定超越CNN(72.08%)和BiGRU(73.95%)。特别值得注意的是，模型对BuzzFeed-Webis数据集的类别失衡表现出天然鲁棒性，无需重采样即达70.37%准确率，较前馈神经网络(FFNN)提升10.91个百分点。

Conclusion
EPRVFL的突破性体现在三方面：首先，0.0011秒级响应速度较现有模型提升2-3个数量级，真正满足推特等平台每秒万级帖文的处理需求；其次，通过嵌入特权层实现语义理解与计算效率的协同优化，在LIAR2复杂政治语境下仍保持74.65%准确率；最重要的是，模型仅需常规硬件支持，使得基层机构也能部署高精度检测系统。

这项研究为实时信息治理提供了范式转变——不再依赖"重型"深度学习模型，而是通过智能架构设计实现"轻装上阵"。未来若结合多模态数据分析，有望构建更全面的虚假信息防御体系。正如研究者Rajiv Kumar Gurjwar所述："EPRVFL的价值不仅在于技术指标，更在于它重新定义了效率与精度的平衡点，为动态对抗环境下的AI治理开辟新路径。"