Las noticias falsas son un problema de larga data que ha existido en la red social, cuyo impacto negativo ha sido cada vez más reconocido desde las elecciones presidenciales de EE. UU. Durante la elección, numerosas noticias falsas sobre los candidatos se distribuyeron ampliamente en las redes sociales en línea. Identificar rápidamente noticias no auténticas es un propósito esencial de esta investigación para mejorar la confiabilidad de las noticias en las redes sociales en línea, que será la tarea estudiada en este documento. La detección de postura de noticias falsas puede contribuir a detectar una cantidad sorprendente de noticias falsas, que tiene como objetivo evaluar la relevancia entre el titular y los cuerpos de texto. Existe una diferencia significativa entre el titular del artículo de noticias y el cuerpo del texto, ya que los titulares con varias frases clave suelen ser mucho más cortos que los cuerpos de texto. Este desafío de desequilibrio de información puede causar problemas graves para la tarea de detección de postura. Además, los datos de artículos de noticias en redes sociales en línea suelen estar expuestos a varios tipos de ruido y pueden estar contaminados, lo que plantea más desafíos para la tarea de detección de postura. En este documento, proponemos un nuevo modelo de detección de postura de noticias falsas, llamado modelo de Red Siamesa Pseudo-Adversaria (APSN), para resolver estos desafíos. Con componentes de entrada acoplados con parámetros desequilibrados, APSN puede aprender y calcular vectores de características y puntuación de similitud de titulares de artículos de noticias y cuerpos de texto simultáneamente. Además, al adoptar una configuración adversaria, además del conjunto de entrenamiento regular, se generará un conjunto de instancias de entrenamiento ruidosas y se alimentará a APSN en el proceso de aprendizaje, lo que puede mejorar significativamente la robustez del modelo. Se han realizado experimentos extensos en un conjunto de datos de noticias falsas del mundo real, y los resultados experimentales revelan que el modelo presentado supera a los modelos de detección de información sospechosa comparados con ventajas significativas.