基于多样反事实证据的谣言检测
人工智能
2023-07-19 v1
摘要
社交媒体的增长加剧了假新闻对个人与社群的威胁，这引发了对高效且及时的谣言检测方法的日益关注。主流方法借助图神经网络（GNNs）来利用谣言传播过程的帖子传播模式。然而，由于 GNNs 的黑盒本质，这些方法缺乏对谣言检测的内在可解释性。此外，这些方法因使用全部传播模式进行谣言检测而结果稳健性较差。本文以提出的面向谣言检测的多样反事实证据框架（DCE-RD）解决上述问题。我们的直觉是利用事件图的多样反事实证据作为多视角解释，并进一步聚合以得到稳健的谣言检测结果。具体地，我们的方法首先设计子图生成策略以高效生成事件图的不同子图。我们约束这些子图的移除会导致谣言检测结果改变，从而这些子图自然充当谣言检测的反事实证据。为实现多视角解释，我们受行列式点过程（DPP）启发设计多样性损失以鼓励反事实证据间多样性。基于 GNN 的谣言检测模型进一步聚合由所提 DCE-RD 发现的多样反事实证据，以实现可解释且稳健的谣言检测。在两个真实数据集上的大量实验显示了我们方法的优越性能。我们的代码见 https://github.com/Vicinity111/DCE-RD。
引用
@article{arxiv.2307.09296,
title = {Rumor Detection with Diverse Counterfactual Evidence},
author = {Kaiwei Zhang and Junchi Yu and Haichao Shi and Jian Liang and Xiao-Yu Zhang},
journal= {arXiv preprint arXiv:2307.09296},
year = {2023}
}