少即是多：基于因果传播子结构的未见域假新闻检测

假新闻在社交媒体上的传播对个人和社会构成重大威胁。基于文本和基于图的模型已被用于通过分析新闻内容和传播网络来检测假新闻，在特定场景下显示出有希望的结果。然而，这些数据驱动模型严重依赖预先存在的分布内数据进行训练，限制了它们在面对来自新兴或先前未见领域的假新闻（称为分布外（OOD）数据）时的性能。应对 OOD 假新闻是一项具有挑战性但至关重要的任务。在本文中，我们引入了因果子图导向的域自适应假新闻检测（CSDA）模型，旨在通过使用分布内数据从传播图中提取因果子结构并将该方法泛化到 OOD 数据，从而增强零样本假新闻检测。该模型采用基于图神经网络的掩码生成过程来识别传播图中的主导节点和边，利用这些子结构进行假新闻检测。此外，在少样本场景下（有少量 OOD 数据可用于训练），CSDA 的性能通过对比学习进一步提升。在公共社交媒体数据集上的大量实验表明，CSDA 有效处理 OOD 假新闻检测，比其他最先进模型实现了 7% 到 16% 的准确率提升。