因果优化与可靠性增强的事实追踪：一种用于虚假信息检测的隐私保护联邦方法

《Information》：Causal Optimization and Reliability-Enhanced Fact-Tracking: A Privacy-Preserving Federated Approach to Misinformation Detection

　　

去中心化平台上虚假信息的高速增长对公众信任与决策完整性构成风险，亟需一种不仅准确、且具备因果感知与可经由代理因果度量解释的、可靠且隐私安全的事实验证系统。当前基于联邦学习(FL)的事实验证模型主要依赖相关性驱动模式，缺乏因果推理、形式化可靠性度量及抵御拜占庭敌手的能力。研究人员提出统一框架CORE-FACT（因果优化与可靠性增强事实追踪），通过在分布式环境中结合因果感知优化与可靠性加权联邦优化，实现可解释且鲁棒的虚假信息检测。该三层架构包括：(1)因果图构建模块(CGCM)，利用变分注意力学习声明与证据间的有向关系；(2)可靠性加权联邦优化模块(RWFOM)，通过自适应信任评分实现拜占庭弹性聚合；(3)自适应事实追踪模块(AFTM)，结合层次一致性验证与知识图谱嵌入融合多源证据。在LIAR与FEVER数据集上的实证测试显示，CORE-FACT分别取得94.7%与96.3%准确率，较最优基线提升3.5至4.8个百分点，时延较GEAR降低17%、较DAGNN降低31%，在30%拜占庭攻击下保持98.2%鲁棒性。在差分隐私保证ε=10.96、δ=10?5（伦伊差分隐私(RDP)组合，经验成员推断验证待修订）下，显式因果推理使假阳性降低31%。CORE-FACT由此成为整合因果优化、可信评估与安全聚合的可扩展可解释框架，面向新一代联邦虚假信息检测。

研究背景方面，数字信息指数级扩散使分布式网络中事实与虚假信息甄别面临空前挑战，虚假信息在社交平台传播更快更远，威胁公共卫生、民主话语与社会福祉。集中式事实验证存在扩展瓶颈、隐私隐患与协同误导攻击脆弱性；现有联邦学习(FL)方法多依赖相关性模式，缺乏区分虚假关联与真实因果的机制，且难以在异构非独立同分布(non-IID)环境下提供形式化可靠性保证，面对拜占庭模型投毒与异常样本鲁棒性不足。因果推断与基于图的知识抽取近期提供理论基石，但尚无工作将因果优化、可靠性增强与联邦事实追踪统一。为此，研究人员在《Information》发表该研究，提出CORE-FACT框架以填补上述空白。

关键技术方法上，研究人员采用N=20个联邦节点、Dirichlet浓度α=0.5的non-IID数据划分，在LIAR（12,836条六类标注声明）与FEVER（185,445条声明及维基证据）基准上评估；本地以RoBERTa-large编码声明与证据，经两层MLP投影至d=64空间，CGCM用变分注意力与DAG松弛约束h(A)=0学习有向无环图，并以ELBO结合DAG罚项优化；RWFOM维护动态信任评分T_i^(t)，以相对中位模型的梯度偏离度ρ_i^(t)更新信任，过滤T_i^(t)<0.3节点后做可靠性加权坐标中位聚合；AFTM融合TransE知识图谱嵌入、时间一致性分数S_temp与多源证据注意力得最终sigmoid置信度；隐私侧以L2裁剪C=1.0、高斯机制σ_dp经伦伊差分隐私(RDP)组合（Poisson采样q=0.0624、1000步）得ε=10.96、δ=10^?5，Paillier同态加密护送密文求和，两阶段协议协调加密聚合与明文信任过滤。

研究结果各节简要如下。引言部分指明现有三类缺陷：相关性检测无因果、可靠性无形式保证、对抗鲁棒弱；研究人员据此定义CORE-FACT三大新颖点与理论收敛分析。相关工作节批判性指出BERT、GEAR、KGAT等捕获统计相关而非因果框架，NOTEARS等因果发现限于集中式，FedAvg等FL框架缺因果与信任机制。方法论节给出全局目标式(1)、CGCM式(2)-(5)（边精度0.871/召回0.893/F1 0.882对齐FEVER标注，500条消融84.6%置信跌≥0.15，合成5节点SHD=2.14）、RWFOM式(6)-(10)（信任动量β=0.9、τ_min=0.3、坐标中位O(Nd log N)）、AFTM式(11)-(14)（TransE、时间衰减、R_k Spearman 0.81）、隐私式(15)-(17)与收敛式(18)-(19)（f<1/3理论界，经验40%经过滤后有效敌手<10%）。结果与评估节报告LIAR 94.7%、FEVER 96.3%，时延48.9 ms（较GEAR?17%、DAGNN?31%），30%拜占庭下93.1%准确率、98.2%鲁棒，ε=10.96时94.2%准确率，AUC-ROC 0.984/0.991，消融去CGCM掉5.8%、去AFTM假阳性升31%；案例研究展示“企业税两次上调”声明被CGCM凭E1/E2与时间分S_temp=0.18证伪。讨论节分析因果推理降假阳31%、信任评分15轮内分离诚实/拜占庭节点、自适应分层加噪使ε=10.96仅掉0.5pp、N=80时训练1.43 s呈O(Nd log N)超线性微偏；局限含DAG假设禁环、未测自适应慢毒、仅20节点模拟、RDP未经验证成员推断、固定α=0.5全参与。

结论部分翻译：本文提出CORE-FACT，一种因果优化与可靠性增强事实追踪框架，用于联邦环境下可解释且隐私保证的虚假信息检测；通过整合因果图构建、可靠性加权联邦优化、自适应事实追踪与时间一致性验证，在LIAR与FEVER分别达94.7%与96.3%准确率，超越基线3.5至4.8个百分点，保持98.2%拜占庭鲁棒性与ε=10.96、δ=10^?5差分隐私，时延较GEAR降17%、较DAGNN降31%；理论分析给出non-IID下形式收敛与隐私界；因果主张由FEVER标注对齐（边F1 0.882）、证据影响测试（84.6%）与部分合成SHD（2.14）作为代理验证支撑，显式因果推理与信任敏感聚合使假阳性降31%；未来工作拓展至多模态、检索增强生成与跨语种基准。