Détection multimodale des fake news en utilisant l’apprentissage profond et l’informatique quantique

Abstract

La propagation des fake news représente un défi majeur à l’ère numérique, menaçant la fiabilité de l’information sur Internet. Ce projet de fin d’études vise à concevoir un système automatisé de détection des fake news en exploitant une approche multimodale basée à la fois sur le texte et l’image. Le modèle proposé repose sur l’utilisation conjointe de XLNet pour l’analyse textuelle, de ResNet50 pour le traitement des images, et d’une couche de classification quantique simulée (QCNN) afin d’enrichir la capacité de généralisation du modèle. Le dataset utilisé, FakeNews- Net, a été nettoyé et structuré pour contenir les textes des articles, leurs images associées et les étiquettes de véracité. L’entraînement du modèle montre une convergence rapide et une précision élevée, bien que des limitations aient été identifiées, notamment un déséquilibre de classes affectant la détection des vraies informations. Une analyse détaillée des courbes d’apprentissage et une matrice de confusion ont permis d’évaluer les performances. Ce travail explore également le potentiel de l’informatique quantique appliquée à l’IA, en intégrant une couche QCNN simulée, et ouvre la voie à des perspectives prometteuses, notamment l’exécution sur des calculateurs quantiques réels et l’intégration d’autres modalités comme les métadonnées ou les réseaux sociaux.