CausalMamba: Erklärbares Zustandsraum-Modell für zeitliche Gerüchte‑Kausalität
Ein brandneues Forschungswerkzeug namens CausalMamba verspricht, die Erkennung von Gerüchten in sozialen Medien auf ein neues Level zu heben. Durch die Kombination von Mamba‑basiertem Sequenzmodell, Graph Convolutional Networks und differenzierbarer kausaler Entdeckung mittels NOTEARS schafft CausalMamba ein umfassendes System, das sowohl die zeitliche Entwicklung von Tweets als auch deren Antwortstrukturen gleichzeitig erfasst.
Das Modell lernt gemeinsam repräsentative Darstellungen der Tweet‑Sequenzen und der Reply‑Netzwerke und extrahiert gleichzeitig latente kausale Graphen. Auf diese Weise kann es die einflussreichsten Knoten in jeder Verbreitungskette identifizieren und somit die Mechanismen hinter der Verbreitung von Falschinformationen sichtbar machen.
In Experimenten mit dem Twitter15‑Datensatz erzielt CausalMamba eine Klassifikationsleistung, die mit den besten bestehenden Baselines konkurriert. Darüber hinaus ermöglicht das System erstmals eine kontrafaktische Interventionsanalyse: Durch gezieltes Entfernen der am stärksten einflussreichen Knoten verändert sich die Netzwerk‑Verknüpfung signifikant, was klare, interpretierbare Einblicke in die Dynamik von Gerüchten liefert.
Mit seiner einheitlichen Herangehensweise an Gerüchteklassifikation und Einflussanalyse ebnet CausalMamba den Weg für erklärbarere und handlungsorientiertere Systeme zur Erkennung von Desinformation.