【论文整理】FANG: Leveraging Social Context for Fake News Detection Using Graph Representation

最新推荐文章于 2022-09-20 08:53:30 发布
最新推荐文章于 2022-09-20 08:53:30 发布
阅读量1.2k 收藏 5
点赞数 3
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Aria_balabala/article/details/109078486
版权
FANG是一种新型的图形表示方法，结合社会背景进行虚假新闻检测。该框架通过构建事实新闻图，利用图神经网络捕捉社会结构和参与模式，提升表征质量。FANG在有限数据下表现出鲁棒性，并且其学习的表征可推广到新闻真实性的预测。此外，FANG的循环聚合器和注意力机制提供了可解释性。
摘要由CSDN通过智能技术生成

FANG：利用图表示及社会背景进行虚假新闻检测

Factual News Graph（FANG）：事实新闻图

  • 表征学习
  • 在训练中可扩展，不必维护所有节点

CONTRIBUTIONS

(1)提出新的图形表示:模拟了社交者及其相互作用，并进行建模，如下图1:社会背景的图形表示。
在这里插入图片描述
(2)提出事实新闻图（FANG）：是一个归纳图学习框架，有效捕捉社会结构和参与模式，从而提高代表质量。
(3)证明FANG在有限训练数据的情况下是鲁棒的。
(4)证明了FANG所学的表征可推广到相关的方向，如：新闻报道真实性的预测。
(5)通过循环聚合器的注意机制，证明了FANG的可解释性。

RELATED WORK

2.1语境虚假新闻检测

  • 先前关于背景虚假新闻检测的工作可以根据用于表示和学习社会背景的方法来分类。
欧几里得方法将社会背景表示为平面向量或实数矩阵。
他们通常学习最接近虚假新闻预测的社会实体特征的欧几里德变换。
这种转换的复杂性从传统的浅层模型，即随机森林或支持向量机(SVM)到概率图形模型和深层神经网络，如长短期记忆(LSTM) ，它们对参与时间性进行建模。
然而，考虑到我们将社会背景表述为一个异构网络，欧几里德表示
最低0.47元/天 解锁文章
Aria_大小孩
关注
GAN、NLP：Generative Adversarial Networks(GANs)Tutorial in Python
程序员光剑
07-31 1684
作者：禅与计算机程序设计艺术Generative Adversarial Networks (GANs), also known as GANs for short, are a type of deep learning model used to generate new data instances or images that appear realistic and plausible. They were originally proposed by Ian Goodfellow et al.
CVPR 2022 论文列表（持续更新）
gbstack08的专栏
03-05 1万+
本文包括论文链接及代码 关注公众号：AI基地，及时获取最新资讯，学习资料 GitHub链接：GitHub - gbstack/cvpr-2022-papers: CVPR 2022 papers with code 因为CSDN的markdown编辑器限制，文本多了保存会卡死。大家尽量到上面的GitHub链接去看吧。 CVPR2022 Papers (Papers/Codes/Demos) 分类目录： 1. 检测 2. 分割(Segmentation) 3. 图像处理(Image Pro
FANG: Leveraging Social Context for Fake News DetectionUsing Graph Representation论文阅读笔记
weixin_44630230的博客
04-10 256
利用图表示的社会背景检测假新闻 （1）一种图像表示，模拟所有社会参与者的交互。 （2）提出了事实新闻图(FANG)，这是一个归纳的图学习框架，可以有效地捕捉社会结构和参与模式，从而提高表示质量。 （3）模型在有限的训练数据的情况下是稳健的 （4）可推广到相关任务，如新闻媒体报道的真实性 （5）Fang的可解释性得益于循环聚合器的注意力机制 方法： 1.定义假新闻检测问题 2.社会情境图方的构建过程及其基本原理 3.描述了从社会实体中提取特征的过程以及它们之间交互的建模 1.三
CIKM 2020 | FANG：利用社会语境及其图表示进行假新闻检测
KI的博客
09-11 1064
CIKM 2020 | FANG：利用社会语境及图表示进行假新闻检测
【论文解读 ASONAM 2019】Semi-Supervised Learning and Graph Neural Networks for Fake News Detection
byn12345的博客
01-31 1141
论文题目：Semi-Supervised Learning and Graph Neural Networks for Fake News Detection 论文链接：https://ieeexplore.ieee.org/document/9073625 代码链接：无 关键词：半监督学习；GNN；假新闻检测 这篇文章就2页，简单记录一下。 1 引言 本文解决的是假新闻检测问题。 作者提出基于图的半监督假新闻检测框架。作者认为基于图的模型表达能力较强，可以捕获文章间的上下文依赖，缓解标签不足的问题。.
【ACL-2021】Compare to The Knowledge: Graph Neural Fake News Detectionwith External Knowledge
qq_42534005的博客
11-29 2427
摘要 在这篇论文里，提出了一个端到端的模型CompareNet，通过假新闻中的实体对比较了新闻和知识库（KB）。 考虑到假新闻和主题也相关，我们也利用了主题去丰富新闻的表示。 具体来说： （1）我们首先为每个包含主题和实体的新闻构建一个有向异构文档图。 （2）在这个图的基础上，我们开发了一个异构图注意网络来编码新闻内容。 （3）通过实体比较网络，将上下文实体与相应的基于KB的实体进行比较，获得新闻内容与KB之间的一致性。 （4）最后，将结合了实体比较特征的新闻表示送进分类器。 介绍 （1）
【ML】现实世界中的机器学习
sikh_0529的博客
09-20 1万+
在本文中，研究人员建议可以测试一个结合了我们研究过的几种 ML 技术的系统，并部署了最佳模型：“该系统基于自然语言处理从数据中提取特征，然后将这些特征用于机器学习分类器的训练，例如朴素贝叶斯、支持向量机 (SVM)、随机森林 (RF)、随机梯度下降 (SGD) 和逻辑回归 (LR)。在本课中，您将探索八个不同的行业和主题领域如何使用这些类型的模型来提高其应用程序的性能、可靠性、智能性和对用户的价值。在纠正过程中，有一些有趣的问题需要解决，例如检测考试或论文作弊或管理偏见，无论是无意的还是无意的。
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
【Safety Angle】: Defensive Strategies for GAN Content Generation: How to Detect and Protect Data ...
# 1. Overview of GAN Content Generation Technology GAN (Generative Adversarial... The generator is responsible for creating data, while the discriminator's task is to distinguish between real data and t
论文读书笔记-social context-aware trust networkdiscovery in complex contextual social networks
无知的我
03-03 1757
标题：social context-aware trust networkdiscovery in complex contextual social networks 本文介绍了如何在社会网络中计算信任关系，作者总结前人的成果，对信任度进行了重新的定义，并且提出了自己的算法。这个问题在图论中是一个典型的NP完全问题，文中提出的SCAN算法应该来说在一般情况下能对这个问题加以解决。 下面是本文
fake news相关 2019-2020 五篇论文阅读
byn12345的博客
07-02 3995
创新点、改进点、实验用到的数据集、不足 文章目录1 Bi-GCN数据集本文的亮点和要点思考2 Capturing the Style of Fake News数据集已有方法的问题本文的亮点和要点思考3 WeFEND数据集已有方法的不足文章的亮点和要点思考4 Proactive Discovery of Fake News Domains from Real-Time Social Media Feeds数据集文章的亮点和要点思考5 dEFEND数据集本文的亮点和要点思考References 1 Bi.
关于Fake News Detection的近几年文献列表
qq_30843221的博客
02-10 3149
前言 最近小组内一个师妹的毕业课题是做关于虚假新闻（Fake News Detection）的检测，正好我愁着自己的课程作业要做什么方面的综述，于是灵机一动，就将两个事情拉在一起吧，哈哈。后来借着师妹的手收集了近年来关于虚假新闻的文献(不一定全，请见谅哈），具体如下： AAAI DRIMUX: Dynamic Rumor Influence Minimization with User Exper...
一文看懂虚假新闻检测（附数据集 & 论文推荐）
热门推荐
Paper weekly
02-19 1万+
作者丨孙子荀单位丨腾讯科技高级研究员研究方向丨多模态内容质量本人过去几年一直从事内容质量方面的算法工作，近期出于兴趣对假新闻这个问题做了一些调研，简单总结一下提供读者参考...
文本挖掘-Text-mining-based Fake News Detection Using Ensemble Methods -文献阅读笔记
May_hard的博客
10-19 725
文章目录前言一、数据挖掘-文本挖掘？二、相关工作1.对比了多种假新闻检测的方法：2.提出并解释本文使用的方法（using stylometric features of the text, i.e., the features based on the style of writing, as well as word vector representations of the text for classifying the news.）：3.分析各种不同的组合方式的实验结果并讨论：总结 前言 本文主要
【NIPS2018】Reasoning with Graph Convolution Nets for Factual Visual Question Answering【事实视觉问答推理】
luolan9611的博客
12-03 2270
“Out of the box：Reasoning with Graph Convolution Nets for Factual Visual Question Answering” 今天给大家分享的NIPS2018的一篇有趣论文，还是老样子，论文PDF和高端大气上档次PPT下载链接：https://download.csdn.net/download/luolan9611/10824134 ...
【论文解读 ICMR 2020 | KMGCN】Fake News Detection via Knowledge-driven Multimodal GCN
byn12345的博客
07-23 4879
论文题目：Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks 论文来源：ICMR 2020 论文链接：https://doi.org/10.1145/3372278.3390713 关键词：假新闻检测；多模态；知识；图卷积 文章目录1 摘要2 引言3 方法3.1 问题定义3.2 整体框架3.3 知识蒸馏3.4 多模态内容的图构建3.5 知识驱动的多模态图卷积网络（KMGCN）4 实验4.1 实验.
【NLP】Fake news detection
Robin_S
04-01 1505
Fake news detection
对《Deep Two-path Semi-supervised Learning for Fake News Detection》解读
qq_35213062的博客
05-18 643
对《Deep Two-path Semi-supervised Learning for Fake News Detection》 这篇论文是我看到第一篇用半监督学习做的虚假新闻检测任务。笔者对半监督学习并没了解多少，这篇论文并不好评价， 还请见谅。 Abstract 本文通过半监督学习方法来进行虚假新闻检测。 在这个模型中有两条路径，一个通过监督学习方法， 另一个用无监督学习方法进行检测。 它们都用卷积神经网络来构造并通过联合优化的方式加强检测效果， 令又共享卷积神经网络来提取低层次的特征。 Introd
MG-BERT: leveraging unsupervised atomic representation learning for molecular property prediction预训练策略
最新发布
05-10
MG-BERT是一种用于分子属性预测的预训练模型，它是基于BERT的模型。它的预训练策略可以分为以下几步： 1. 原子嵌入：使用晶体学数据库（CSD）中的晶体结构数据，从中提取原子坐标并将其转换为原子嵌入表示。 2. 无监督原子表示学习：使用Transformer编码器，对原子嵌入进行无监督的原子表示学习。通过掩码语言建模任务（MLM）和下一句预测任务（NSP）来训练模型。 3. 有监督分子属性预测：使用已知的分子属性数据集，对MG-BERT进行有监督的微调。 在预训练阶段，MG-BERT使用了与BERT类似的预训练任务，例如掩码语言建模任务和下一句预测任务。这些任务的目的是让模型学习原子之间的关系和上下文信息。在微调阶段，MG-BERT使用已知的分子属性数据集进行有监督的微调，以预测分子的性质。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值