2026年4月，我院吴泓辰老师在SCI一区Top期刊《Knowledge-Based Systems》发表了题为“DHEM-FND: Dual-layer heterogeneous expert network and dynamic memory augmentation for multi-domain fake news detection”的研究论文。该研究提出了一种融合双层异构专家网络与动态记忆增强的模型，旨在解决多领域虚假新闻检测中的特征纠缠、领域动态演变及计算效率等关键挑战。该研究在Twitter、微博等多个真实世界数据集上验证了模型的有效性，实现了更高的检测精度与更快的推理速度，为构建可扩展、自适应的多领域虚假信息治理框架提供了新的解决方案。
虚假新闻检测是数字时代面临的一项关键挑战，因为虚假内容正在迅速动摇各领域公众的信任。现有方法依赖于领域无关的特征提取器，这些提取器难以分离异构特征，且受语义纠缠问题困扰，从而降低了跨域泛化能力。此外，采用固定知识表示的静态架构无法适应公共卫生危机和政治动荡等事件中不断演变的虚假信息模式。传统的多领域框架还因冗余的参数缩放而产生高计算成本，阻碍了近实时部署。为解决这些问题，本文提出了一种用于多领域虚假新闻检测的双层异构专家网络与动态记忆增强方法（DHEM-FND）。首先，异构专家网络通过三条路径解耦领域特有的语义：(i) 捕获局部-全局模式的多尺度卷积神经网络，(ii) 检测情感与上下文不一致的情感感知多层感知器，(iii) 以及利用统计先验识别风格指纹的自注意力模块。正交约束可最大限度地减少跨领域特征泄漏。其次，动态记忆增强机制通过维护分层领域原型来追踪不断演变的假新闻策略，并利用基于注意力的对齐机制进行增量更新。第三，稀疏门控和参数复用策略通过在推理过程中仅激活前k个相关专家，同时冻结75%的骨干网络参数，从而优化了效率。该研究使用四个真实世界数据集（Twitter15、Twitter16、Weibo21 和 FineFake）对 DHEM 模型进行了验证。实现了 92.57% 的平均检测准确率，同时将跨域干扰降低了 41.2%，检测速度提高了 17.2%。由此证明了所提方法在应对不断演变的虚假新闻以及可扩展性方面的卓越性能。
本研究由国家面上项目（面向深度伪造的多模态虚假信息检测关键技术62572288）支持，其中李洪轩是第一作者，吴泓辰是唯一通讯作者，房晓畅和张化祥教授为共同作者。
图文：吴泓辰
编辑：徐扬
审核：
