誤情報検出のためのグラフニューラルネットワーク：性能と効率のトレードオフ
arXiv cs.CL / 2026/4/10
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文では、軽量なグラフニューラルネットワーク（GCN、GraphSAGE、GAT、ChebNet）を、非グラフのベースライン（ロジスティック回帰、SVM、MLP）と比較ベンチマークし、誤情報検出のために同一のTF-IDF入力を用いることで、関係（リレーショナル）構造の利点を切り分けます。
- 英語／インドネシア語／ポーランド語の公開データセット7件にまたがる実験では、GNNは非グラフ手法よりも一貫して高いF1スコアを達成しつつ、推論時間は同等か、あるいはより低いことが示されます。
- 報告されている例として、GraphSAGEはKaggleで96.8%のF1、WELFakeで91.9%のF1を達成しているのに対し、MLPはそれぞれ73.2%と66.8%です。
- COVID-19およびFakeNewsNetでの結果も同様の傾向を裏付けており、同じ特徴量設定のもとでGraphSAGEとChebNetがMLPを上回ります。
- 著者らは、古典的で効率的なGNNアーキテクチャであれば、ますます複雑（かつ潜在的にコストの高い）なモデル設計を必要とせずに、高い精度を提供し得ると主張しています。
