CausalMamba：面向时序谣言因果性的可解释状态空间建模
机器学习
2025-11-21 v1 社会与信息网络
摘要
社交媒体上的谣言检测由于复杂的传播动力学以及现有模型的可解释性有限，仍是一个具有挑战性的任务。虽然最近的神经网络架构捕获内容和结构特征，但往往无法揭示误information 传播的底层因果机制。我们提出 CausalMamba，一个新框架，将 Mamba 基于序列建模、图卷积网络（GCN）和通过 NOTEARS 实现的可微因果发现相结合。CausalMamba 学习时序推文序列和回复结构的联合表征，同时揭示潜在因果图以识别每个传播链中的关键节点。在 Twitter15 数据集上的实验表明，我们的模型在与强基线相当的分类性能方面取得佳绩，独特地实现了反事实干预分析。定性结果表明，删除排名最高的因果节点会显著改变图的连通性，为谣言动态提供可解释见解。我们的框架为谣言分类和影响力分析提供了统一方法，为更具可解释性和可操作性的误information 检测系统铺平了道路。
引用
@article{arxiv.2511.16191,
title = {CausalMamba: Interpretable State Space Modeling for Temporal Rumor Causality},
author = {Xiaotong Zhan and Xi Cheng},
journal= {arXiv preprint arXiv:2511.16191},
year = {2025}
}
备注
Preprint. 9 pages, 3 figures, 2 tables. Code and implementation details available at: https://github.com/XiaotongZhan/Causal_Mamba