1. 首頁 > 生活百科 > >

GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》( 三 )

生活百科


AFT 基于對抗學習單獨訓練 。模型中 AFT 的參數記作$\theta_{a}$，其他參數記作$\theta_{s}$。在每一個 epoch 中，我們最小化$\mathcal{L}$來更新$\theta_{s}$，最大化\mathcal{L}來更新\theta_{a}。我們利用對抗學習來最小化對抗樣本與相同標簽樣本的一致性，最大化對抗樣本與不同標簽樣本的一致性 。整個算法如下:

GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》

文章插圖
3 ExperimentDatasets
GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》

文章插圖
Results
GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》

文章插圖

GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》

文章插圖
Ablation study
【GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》】
GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》

文章插圖

GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》

文章插圖
Early Rumor Detection
GACL 謠言檢測《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》

文章插圖
4 Conclusion本文提出了一種新的謠言檢測模型，即GACL 。首先，采用訓練前模型BERT獲得GACL中每個帖子的表示，然后使用GCN對謠言傳播的結構信息進行編碼 。其次，引入對比學習，通過捕獲同一類實例之間的共性和不同類實例之間的差異來提高表示的質量 。最后，將AFT模塊加載到模型中，采用對抗性學習策略進行訓練，以生成對抗性特征 。這些對抗性特征在對比學習中作為硬負樣本，并在訓練階段作為輸入向量的一部分輸入到softmax模塊中，有利于捕獲事件不變特征 。實驗結果表明，我們的GACL方法對三個公共真實數據集的謠言檢測具有良好的有效性和魯棒性，并且在早期謠言檢測任務中顯著優于其他最先進的模型 。
我們未來的工作將集中于多模態信息的融合和提取、偏見檢測和模型決策的可解釋性 。

推薦閱讀