본 논문은 온라인 가짜뉴스 검증 시스템에서 사용되는 문장 임베딩 모델의 편집된 주장에 대한 강건성을 평가하고, 이를 개선하기 위한 다양한 방법을 제시합니다. 연구진은 자연스러운 주장 변형을 생성하는 섭동 프레임워크를 도입하여 다양한 문장 임베딩 모델의 성능을 다단계 검색 파이프라인에서 평가했습니다. 평가 결과, 표준 임베딩 모델은 편집된 주장에 대해 성능 저하를 보였지만, LLM으로 증류된 임베딩 모델은 계산 비용이 증가하는 대신 강건성이 향상되었습니다. 재랭커를 사용하면 성능 저하를 줄일 수 있지만, 완전히 보상할 수는 없었습니다. 따라서, 학습 및 추론 시간 완화 기법을 평가하여 도메인 내 강건성을 최대 17% 향상시키고 도메인 외 일반화를 10% 향상시켰습니다. 결론적으로, 본 연구는 진화하는 가짜뉴스 검증을 위한 주장 매칭 시스템의 실질적인 개선을 제시합니다. 코드와 데이터는 깃허브에서 공개됩니다.
