LOSS-GAT：用于假新闻检测的标签传播与单类半监督图注意力网络
机器学习
2024-02-14 v1 人工智能
社会与信息网络
摘要
在社交网络广泛普及的时代，假新闻的快速传播已成为重大威胁，对人们生活的各个方面造成有害后果。机器学习和深度学习方法已被广泛用于识别假新闻。然而，识别假新闻的一个重大挑战是标注新闻数据集的可用性有限。因此，仅利用来自目标类（interest class）的少量标注数据的单类学习（One-Class Learning, OCL）方法，可能是解决这一挑战的合适途径。另一方面，将数据表示为图能够获取多样的内容和结构信息，而图上的标签传播方法在预测节点标签方面可能行之有效。在本文中，我们采用基于图的模型进行数据表示，并提出一种用于假新闻检测的半监督单类方法，称为 LOSS-GAT。首先，我们采用两步标签传播算法，利用图神经网络（GNNs）作为初始分类器，将新闻分为两类：目标类（假）和非目标类（真）。随后，我们利用结构增强技术优化图结构。最终，我们使用一种 GNN 预测所有未标注数据的最终标签，该 GNN 通过聚合函数在节点的局部邻域内引入随机性。我们在五个常用数据集上评估了所提出的方法，并将结果与一组基线模型进行了比较，包括 OCL 模型和二分类标注模型。结果表明，LOSS-GAT 取得了显著改进，提升幅度超过 10%，且其优势在于仅利用了少量标注的假新闻。值得注意的是，LOSS-GAT 的表现甚至优于二分类标注模型。
引用
@article{arxiv.2402.08401,
title = {LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection},
author = {Batool Lakzaei and Mostafa Haghir Chehreghani and Alireza Bagheri},
journal= {arXiv preprint arXiv:2402.08401},
year = {2024}
}