RDCL 谣言检测——《Towards Robust False Information Detection on Social Networks with Contrastive Learning》( 二 )
$C_{1}=\exp \left(z_{m}^{i} \cdot z_{m}^{j} / \tau\right)+\sum\limits_{N e g} \exp \left(z_{m}^{i} \cdot z_{n e g} / \tau\right)$
$C_{2}=z_{n e g}-z_{m}^{i}$
$\text{Eq.7}$ 在分子中的梯度贡献主要来自于（$z_{m}^{j}-z_{m}^{i}$） 。因此，如果能够增加图级空间中样本对之间的距离，它将提供更大的梯度信号，从而增加模型的学习难度 ， 提高对比学习的质量 。所以，本文的对比视图生成方法如下：
文章插图
Figure 5 说明，由 HPG 生成的数据增强图 ， 他们之间的相似度小于其他数据增强方法，那么损失函数 SSL 会加大对模型的惩罚，提高对比学习的质量 。
文章插图
虽然扰动会加大学习的难度 ， 但是他们提供了足够的信息去保存视图之间的一致性 。
2.4 Training Objective图分类损失：$\mathcal{L}_{C E}=-y \log \left(\hat{y}_{1}\right)-(1-y) \log \left(1-\hat{y}_{0}\right)$总损失：$\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
文章插图
3.2 Performance Comparison
文章插图
3.3 Robustness Studies基于本文的 6 中数据增强策略，对比 GACL 和本文方法：
文章插图
3.4 The robustness on different perturbation scenarios研究采用复杂数据增强策略组合的对比实验：
文章插图
3.5 Ablation Studies研究如下 6 中数据增强策略 Node Mask , Edge Drop , Mixed , Node-based, Topology-based and our method HPG 的实验对比结果：
文章插图
Ablation studies on model components
文章插图
3.6 Graph-level Representation Studies
文章插图
3.7 The Impact of Perturbation Probability $\rho$不同扰动率 和 不同编码器的实验对比：
文章插图
推荐阅读
- 二 Three光线检测-实现摄像机向鼠标点击位置滑动动画
- 盘它！基于CANN的辅助驾驶AI实战案例，轻松搞定车辆检测和车距计算！
- 过年回家做核酸检测免费吗_?现在做核酸是全国免费吗
- DUCK 谣言检测《DUCK: Rumour Detection on Social Media by Modelling User and Comment Propagation Networks》
- RDEA 谣言检测《Rumor Detection on Social Media with Event Augmentations》
- 谣言检测《Data Fusion Oriented Graph Convolution Network Model for Rumor Detection》
- ClaHi-GAT 谣言检测《Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks》
- PLAN 谣言检测——《Interpretable Rumor Detection in Microblogs by Attending to User Interactions》
- 谣言检测——《Debunking Rumors on Twitter with Tree Transformer》
- 如何使用 Yolov4 训练人脸口罩检测模型