论文标题

GAMC: An Unsupervised Method for Fake News Detection Using Graph Autoencoder with Masking GAMC：一种基于图自编码器和掩码的无监督假新闻检测方法

论文链接

GAMC: An Unsupervised Method for Fake News Detection Using Graph Autoencoder with Masking论文下载

论文作者

Shu Yin, Peican Zhu, Lianwei Wu, Chao Gao, Zhen Wang

内容简介

随着社交媒体的兴起，假新闻的传播已成为一个重大问题，可能误导公众认知并影响社会稳定。尽管深度学习方法（如CNN、RNN和基于Transformer的模型如BERT）在假新闻检测中取得了一定进展，但它们主要关注内容而忽视了新闻传播过程中的社会背景。为了解决这一问题，本文提出了一种名为GAMC的无监督假新闻检测方法，利用图自编码器与掩码和对比学习相结合。GAMC通过对原始新闻传播图进行数据增强，生成增强图并进行编码和重建，最终通过复合损失函数来优化模型。实验结果表明，GAMC在真实数据集上优于现有的无监督方法，展示了其在假新闻检测中的有效性。

分点关键点

1. GAMC方法概述
   • GAMC是一种无监督的假新闻检测技术，结合了图自编码器、掩码和对比学习。该方法通过利用新闻传播的上下文和内容作为自监督信号，减少了对标记数据集的依赖。

2. 数据增强策略

   • GAMC首先对原始新闻传播图进行数据增强，包括随机节点特征掩蔽和边删除。这些增强图用于后续的特征重建和对比任务，确保模型在复杂传播模式下的有效性。

3. 图编码与解码

   • 使用图同构网络（GIN）对增强图进行编码，生成潜在表示向量。解码器将这些潜在表示映射回输入空间，生成重建特征矩阵，以便进行假新闻分类。

4. 复合损失函数

   • GAMC设计了一个复合损失函数，包括重构损失和对比损失。重构损失确保重建特征矩阵与原始特征矩阵的相似性，而对比损失则最小化来自同一传播图的两个重建图之间的差异。

5. 实验验证
   • 在真实数据集上的实验表明，GAMC优于现有的无监督假新闻检测方法，验证了其有效性和鲁棒性。
     

论文代码

代码链接：https://github.com/cgaocomp/GAMC

中文关键词

1. 假新闻检测
2. 无监督学习
3. 图自编码器
4. 数据增强
5. 复合损失函数
6. 社会背景

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！