Fake News Detection

The proliferation of fake news on social media platforms poses a critical threat to public discourse and democratic processes, yet existing detection approaches often rely on single-granularity features or static ensemble methods that fail to capture the complex, multi-faceted nature of misinformation. While deep learning models excel at sequential pattern recognition and traditional machine learning captures handcrafted linguistic indicators effectively, few studies systematically evaluate whether optimized fusion of heterogeneous representations provides measurable benefits over simpler combination strategies under controlled conditions. This paper proposes MGAF-Net, a Multi- Granular Adaptive Fusion Network that integrates TF-IDF, lexical, syntactic, and semantic features through parallel XGBoost, BiLSTM-Attention, and MLP branches, with grid-search optimization determining combination weights [a, ß, y]. Experiments on the ISOT Fake News Dataset (n=۳,۰۰۰, ۵ random seeds) demonstrate that MGAF-Net achieves ۹۹.۰۲% _x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰__x۰۰۰۰_۲۷.۲۷% accuracy, significantly outperforming Logistic Regression (۹۶.۷۱%, p=۰.۰۰۳۸) and BiLSTM-only (۸۱.۲۹%, p=۰.۰۰۰۱) baselines. However, our most important empirical finding reveals that grid-search-optimized weighted fusion does not improve performance over fixed equal-weight fusion (both ۹۹.۰۲%), despite correctly identifying XGBoost as the dominant component (a۰.۶۸). The marginal ۰.۱۸% gain over XGBoost alone (۹۸.۸۴%) and the lack of significant improvement from weight optimization (p=۰.۰۹۹۳ versus XGBoost) indicate that multi-granular feature engineering contributes more to performance than adaptive fusion mechanisms for this dataset. These results provide valuable insights into when ensemble weight optimization provides benefit versus when strong baselines limit potential gains.

کلیدواژه ها:

Fake news detection ، multi-granular features ، grid-search-optimized fusion ، BiLSTM ، XGBoost ، ensemble learning ، ISOT dataset