RoE-FND: Synergizing LLMs with Experiential Learning for Effective and Generalizable Evidence-Based Fake News Detection
RoE-FND：融合经验学习增强LLM的通用证据型假新闻检测
🧭 LLM 推理增强 · 经验检索
Fudan University · Hohai University
构建可复用推理经验库并通过检索经验裁决对立论证，提升LLM假新闻检测与跨域泛化能力
📌 工作参考价值
- 经验库构建方法：在电商内容审核（如虚假评论、商品描述真实性）中，可让 LLM 同时生成无约束判断与给定真实标签后的条件判断，将两者分歧提炼为可复用的审核规则/经验条目，沉淀成行业/品类专属经验库。
- 双论证对抗裁决：对高风险 case，不要单次 LLM 判断，而是给出两个相反伪标签分别生成论证，再检索类似历史经验对关键分歧点做裁决；可迁移到客服纠纷判责、商家资质审核等需要证据链推理的业务。
- 无需微调的跨域迁移：适合电商多品类、多平台快速冷启动，避免频繁训练模型；只需维护经验库与检索器，即可在新类目复用推理能力。
- 与现有 RAG 结合：把经验库当作比事实片段更高阶的"推理模式索引"，修正 LLM 易被表面说服的倾向，可增强 Agent 在复杂决策中的鲁棒性。
动机：现有假新闻检测要么依赖标注数据训练，迁移性差；要么依赖 LLM 推理，但易被有说服力却有缺陷的论证带偏，缺乏系统经验和纠错机制。
方法关键点：提出 RoE-FND。经验构建阶段，用 ground-truth 标签作为 posterior supervision，对比无约束分析和标签条件分析，总结关键分歧成可复用推理 guideline，存入经验库。推理阶段，用翻转伪标签生成正反两个论证，检索最相关经验解决分歧，选择论据更强的一方作为最终预测。整个过程无需优化 LLM 参数。
关键结果：在 CHEF、Snopes、PolitiFact 三个纯文本以及 FakeTT、FakeSV 两个多模态基准上，超越强基线，并展现出强跨数据集泛化能力。