GACL 谣言检测《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》( 三 ) _生活百科

AFT 基于对抗学习单独训练。模型中 AFT 的参数记作$\theta_{a}$，其他参数记作$\theta_{s}$。在每一个 epoch 中，我们最小化$\mathcal{L}$来更新$\theta_{s}$，最大化\mathcal{L}来更新\theta_{a}。我们利用对抗学习来最小化对抗样本与相同标签样本的一致性，最大化对抗样本与不同标签样本的一致性。整个算法如下:

文章插图
3 ExperimentDatasets

文章插图
Results

文章插图

文章插图
Ablation study
【GACL 谣言检测《Rumor Detection on Social Media with Graph Adversarial Contrastive Learning》】

文章插图

文章插图
Early Rumor Detection

文章插图
4 Conclusion本文提出了一种新的谣言检测模型，即GACL 。首先，采用训练前模型BERT获得GACL中每个帖子的表示，然后使用GCN对谣言传播的结构信息进行编码。其次，引入对比学习，通过捕获同一类实例之间的共性和不同类实例之间的差异来提高表示的质量。最后，将AFT模块加载到模型中，采用对抗性学习策略进行训练，以生成对抗性特征。这些对抗性特征在对比学习中作为硬负样本，并在训练阶段作为输入向量的一部分输入到softmax模块中，有利于捕获事件不变特征。实验结果表明，我们的GACL方法对三个公共真实数据集的谣言检测具有良好的有效性和鲁棒性，并且在早期谣言检测任务中显著优于其他最先进的模型。
我们未来的工作将集中于多模态信息的融合和提取、偏见检测和模型决策的可解释性。