MAGER: Meta-Pfade per Evolution gegen Fake News
Acht Forschende lassen Agenten per genetischer Suche jene Pfadmuster züchten, die ein eingefrorenes Sprachmodell braucht, um Verbreitungswege zu lesen.
Kurz gesagt
MAGER lässt mehrere Agenten per genetischer Evolution jene Meta-Pfade in Verbreitungsgraphen finden, die ein eingefrorenes Sprachmodell braucht, um Falschmeldungen ohne zusätzliches Training einzuordnen.
Auf einen Blick
- Preprint arXiv:2609.18597v1, eingereicht am 16.09.2026
- Acht Autorinnen und Autoren; der Eintrag nennt eine Annahme als Oral-Beitrag bei der ACM MM 2026
- Kern ist MAGER: ein Multi-Agenten-Rahmen mit genetischer Evolution, der Meta-Pfade automatisch sucht statt sie von Hand zu setzen
- Zweiter Baustein: Graph-In-Context-Learning holt inhaltlich und strukturell ähnliche Fälle als Demonstrationen ins Prompt
- Die Abstract-Seite nennt keine Datensätze, Modellnamen oder Messwerte — Trefferquoten sind daraus nicht belegbar
MAGER soll ein eingefrorenes Sprachmodell dazu bringen, den Wahrheitsgehalt einer Nachricht an ihrem Verbreitungsweg abzulesen — vorausgesetzt, der Graph wird vorher auf die wenigen aussagekräftigen Pfade zusammengeschnitten. Wer teilte was, wann und als Antwort auf wen: dieses Muster trägt Information, die im reinen Text nicht steht.
Der Graph passt nicht ins Prompt
Bisher werteten überwachte Graph-Netze solche Kaskaden aus. Sie brauchen viel annotiertes Material und lassen außerhalb ihres Trainingsgebiets nach, argumentiert die Arbeit von Ziyi Zhou und sieben weiteren Autoren. Ein Sprachmodell bringt übertragbares Schlussfolgern mit, doch ein roher Verbreitungsgraph ist für es die falsche Eingabeform — die Autoren trennen das in zwei Probleme: eine Diskrepanz der Modalität und schlichte Überlastung des Kontexts, sobald die Kantenliste lang wird.
Evolution statt Handarbeit
Der Umweg führt über Meta-Pfade: kurze typisierte Muster wie „Nutzer → Beitrag → Antwort“, die einen kleinen Ausschnitt herausschneiden, statt den ganzen Baum zu übergeben. Welche Muster taugen, legt hier kein Mensch fest. Mehrere Agenten erzeugen Kandidaten, bewerten sie und kombinieren die besseren weiter — eine genetische Suche, deren Zielgröße ausdrücklich die Verwertbarkeit für das Sprachmodell ist. Das Modell selbst bleibt dabei unverändert.
Beispiele als Stütze
Dazu kommt ein Retrieval-Schritt: Statt fester Few-Shot-Beispiele holt das System Fälle heran, die dem geprüften sowohl inhaltlich als auch im Aufbau der Kaskade ähneln, und legt sie als Demonstrationen daneben. Das erklärte Ziel ist ein eigenständiger Detektor, der auch bei wenig gelabelten Daten trägt — nicht ein Zusatzteil an einem trainierten Klassifikator.
Was die Quelle nicht hergibt
Die Arbeit spricht von umfangreichen Experimenten und deutlichen Verbesserungen, nennt auf der öffentlichen Abstract-Seite aber weder Datensätze noch Basismodelle noch Messwerte. Damit bleibt offen, wie groß der Abstand zu den überwachten Graph-Netzen ausfällt und bei welchen Modellgrößen er hält. Uns liegt nur die Kurzfassung vor, nicht der Volltext.
Häufige Fragen
Was ist ein Meta-Pfad?
Ein kurzes typisiertes Muster durch den Graphen, etwa Nutzer → Beitrag → Antwort. Es schneidet einen kleinen, aussagekräftigen Ausschnitt heraus, statt den kompletten Verbreitungsbaum ins Prompt zu kippen.
Muss das Sprachmodell dafür nachtrainiert werden?
Nein. Die Arbeit beschreibt ausdrücklich eingefrorene Modelle; gesucht und optimiert werden nur die Meta-Pfade und die Auswahl der Beispielfälle.
Wie gut erkennt MAGER Falschmeldungen?
Aus der Abstract-Seite lässt sich das nicht sagen — sie nennt weder Datensätze noch Baselines noch Zahlen. Belastbare Werte stünden erst im Volltext.
