RDCL 謠言檢測——《Towards Robust False Information Detection on Social Networks with Contrastive Learning》( 二 )
$C_{1}=\exp \left(z_{m}^{i} \cdot z_{m}^{j} / \tau\right)+\sum\limits_{N e g} \exp \left(z_{m}^{i} \cdot z_{n e g} / \tau\right)$
$C_{2}=z_{n e g}-z_{m}^{i}$
$\text{Eq.7}$ 在分子中的梯度貢獻主要來自于（$z_{m}^{j}-z_{m}^{i}$） 。因此，如果能夠增加圖級空間中樣本對之間的距離，它將提供更大的梯度信號，從而增加模型的學習難度 ， 提高對比學習的質量 。所以，本文的對比視圖生成方法如下：
文章插圖
Figure 5 說明，由 HPG 生成的數據增強圖 ， 他們之間的相似度小于其他數據增強方法，那么損失函數 SSL 會加大對模型的懲罰，提高對比學習的質量 。
文章插圖
雖然擾動會加大學習的難度 ， 但是他們提供了足夠的信息去保存視圖之間的一致性 。
2.4 Training Objective圖分類損失：$\mathcal{L}_{C E}=-y \log \left(\hat{y}_{1}\right)-(1-y) \log \left(1-\hat{y}_{0}\right)$總損失：$\mathcal{L}_{\text {joint }}(\theta)=\mathcal{L}_{C E}+\alpha \mathcal{L}_{S S L}+\beta \mathcal{L}_{S C L}$3 Experiment3.1 Datasets
文章插圖
3.2 Performance Comparison
文章插圖
3.3 Robustness Studies基于本文的 6 中數據增強策略，對比 GACL 和本文方法：
文章插圖
3.4 The robustness on different perturbation scenarios研究采用復雜數據增強策略組合的對比實驗：
文章插圖
3.5 Ablation Studies研究如下 6 中數據增強策略 Node Mask , Edge Drop , Mixed , Node-based, Topology-based and our method HPG 的實驗對比結果：
文章插圖
Ablation studies on model components
文章插圖
3.6 Graph-level Representation Studies
文章插圖
3.7 The Impact of Perturbation Probability $\rho$不同擾動率 和 不同編碼器的實驗對比：
文章插圖
推薦閱讀
- 二 Three光線檢測-實現攝像機向鼠標點擊位置滑動動畫
- 盤它！基于CANN的輔助駕駛AI實戰案例，輕松搞定車輛檢測和車距計算！
- 過年回家做核酸檢測免費嗎_?現在做核酸是全國免費嗎
- DUCK 謠言檢測《DUCK: Rumour Detection on Social Media by Modelling User and Comment Propagation Networks》
- RDEA 謠言檢測《Rumor Detection on Social Media with Event Augmentations》
- 謠言檢測《Data Fusion Oriented Graph Convolution Network Model for Rumor Detection》
- ClaHi-GAT 謠言檢測《Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks》
- PLAN 謠言檢測——《Interpretable Rumor Detection in Microblogs by Attending to User Interactions》
- 謠言檢測——《Debunking Rumors on Twitter with Tree Transformer》
- 如何使用 Yolov4 訓練人臉口罩檢測模型