研究背景与问题

在当前信息化时代，网络谣言对社会的影响日益显著，给公众造成了严重的心理和经济损失。特别是在多模态数据时代，谣言的传播更加复杂和隐蔽。现有的谣言检测数据集往往模态单一，无法有效反映多模态数据的特性，且大多数谣言检测模型在应对多模态对抗攻击时，其鲁棒性相对较弱。因此，如何构建一个鲁棒性强、多模态数据涵盖全面的谣言检测数据集，以及开发出能够有效处理多模态数据的谣言检测模型，成为当前谣言检测领域亟待解决的问题。

研究方法

本研究针对上述问题，首先构建了一个大规模的多模态谣言数据集MuRumor。MuRumor数据集共包含19,733条博文、658,557条评论、12,365个用户，涵盖了文本、图像、评论、用户、社交上下文五个模态。在此基础上，我们提出了一种基于对抗鲁棒增强的多模态谣言检测方法。该方法主要分为以下几个步骤：首先，利用数据集的特点对各个模态的数据进行预处理，以提高数据的质量和多样性；其次，基于预处理的模态数据构建谣言检测模型；最后，通过引入对抗训练技术来增强模型的鲁棒性，使其在面对多模态对抗攻击时能够保持较高的检测准确率。

核心结果

通过在MuRumor数据集上进行的实验，我们验证了所提出方法的有效性。实验结果表明，相较于现有的单模态谣言检测方法，基于对抗鲁棒增强的多模态谣言检测方法在多个评价指标上均取得了显著的提升。具体来说，该方法在检测准确率、召回率和F1值等关键指标上分别提高了3%、4%和2%。此外，在对抗攻击环境下，该方法的鲁棒性也表现出色，有效降低了错误分类率。

结论与意义

本研究提出了一种基于对抗鲁棒增强的多模态谣言检测方法，并通过构建大规模的多模态谣言数据集MuRumor验证了方法的有效性。该方法为解决当前谣言检测领域面临的模态单一和鲁棒性较弱等问题提供了新的思路和方案。在实践意义上，本研究成果可为相关机构和企业提供有效的谣言检测工具，帮助其更好地应对网络谣言的传播，维护社会稳定。在学术意义上，本研究为多模态数据挖掘和谣言检测领域提供了新的理论支持和研究视角。