AAAI2024论文合集解读|GAMC An Unsupervised Method for Fake News Detection using Graph Autoencoder

原创 已于 2025-02-24 19:42:01 修改 · 1k 阅读 · 12 ·
CC 4.0 BY-SA版权
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。
文章标签：

#假新闻检测 #无监督学习 #图自编码器 #数据增强 #复合损失函数 #社会背景

于 2025-02-24 19:41:26 首次发布

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。
在这里插入图片描述

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。

在这里插入图片描述

  1. 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。

  2. 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。

  3. 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。

在这里插入图片描述

  1. 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。
      在这里插入图片描述

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！！

假新闻检测论文分享(28)Fake News Detection via an adaptive feature matching optimization framework（AFMO）
weixin_41964296的博客
08-02 655
本文的主要目标是提出用于假新闻检测的智能机制，这是维护信息的准确性和可靠性的关键一步。事实上，确保多模态假新闻检测的精度，需要复杂的技术，例如，Sporfake模型擅长管理固有的噪声、模糊性和在处理多种数据类型时经常出现的不一致，从不同模态中提取的特征的一致性对齐，同时考虑了潜在的差异，带来了一个巨大的计算障碍。
【论文解读 AAAI 2019 | UFD】Unsupervised Fake News Detection on Social Media: A Generative Approach
byn12345的博客
01-31 1551
论文题目：Unsupervised Fake News Detection on Social Media: A Generative Approach 论文来源：AAAI 2019 论文链接：https://www.aaai.org/ojs/index.php/AAAI/article/view/4508 代码链接：无 关键词：无监督；假新闻检测；社交网络 概率图推导看的眼花缭乱，这篇文章读得半懂不懂的，我数学太菜了… 文章目录1 摘要2 引言3 模型3.1 分层用户参与3.2 问题建模3.3 概.
论文笔记：GAMC: An Unsupervised Method for Fake News Detection Using Graph Autoencoder with Masking
Sun_victory的博客
10-26 855
论文笔记
【论文解读 ICMR 2020 | KMGCN】Fake News Detection via Knowledge-driven Multimodal GCN
byn12345的博客
07-23 5405
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.
谣言检测论文精读——6.AAAI2020-SpotFake+: A Multimodal Framework for Fake News Detection via Transfer Learning
m0_51474171的博客
09-21 1890
我们提出了 SpotFake+，这是一种多模式方法，它利用迁移学习从新闻文章及其相关图像中捕获语义和上下文信息，并实现更好的假新闻检测准确性。
论文笔记：Structural Entropy Based Graph Structure Learning for Node Classification (AAAI 2024)
weixin_42706389的博客
06-28 2566
关键词：图结构学习；结构熵
2025multimodel fake news detection论文汇总
qq_58295825的博客
07-08 881
个人学习笔记，仅供参考！
【论文解读 AAAI 2018|GCN-ED】Graph Convolutional Networks with Argument-Aware Pooling for Event Detection
byn12345的博客
04-08 2951
论文题目：Graph Convolutional Networks with Argument-Aware Pooling for Event Detection 论文来源：AAAI 2018 论文链接：https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/view/16329/16155 关键词：事件检测，GCN，句法依存结构 文章目录1 ...
AAAI2024最佳解读|Spatial Transform Decoupling for Oriented Object Detection
haimianxiaobao11的博客
03-05 457
本文提出了一种新方法，称为空间变换解耦（STD），旨在解决视觉Transformer（ViTs）在定向目标检测中的空间变换不变性问题。STD通过独立的网络分支来预测边界框的位置、大小和角度，从而有效利用ViTs的空间变换能力。该方法通过级联激活掩码（CAMs）逐步增强感兴趣区域（RoIs）内的特征，补充了自注意力机制。实验结果表明，STD在DOTA-v1.0（82.24% mAP）和HRSC2016（98.55% mAP）等基准数据集上实现了最先进的性能，证明了其有效性。
解读：Embracing Domain Differences in Fake News Cross-domain Fake News Detection using Multi-modal Data
BroAlanTaps的博客
02-20 1153
⚪标题： Embracing Domain Differences in Fake News Cross-domain Fake News Detection using Multi-modal Data ⚪时间： 2021-05-18 ⚪作者： Amila SilvaThe University of Melbourne Ling LuoUniversity of Melbourne Shanika KarunasekeraThe University of Melbourne, Australia C
AAAI2024最佳解读|HEAP Unsupervised Object Discovery and Localization with Contrastive Grouping-
haimianxiaobao11的博客
03-07 382
本文提出了一种名为HEAP（基于对比分组的层次合并框架）的新方法，旨在解决无监督目标发现与定位的问题。HEAP通过利用自监督特征，采用交叉注意力机制将图像内的补丁自适应地分组为语义一致的区域。该方法引入了区域级和图像级的对比损失，以确保不同区域之间的可区分性，并有效地将前景与背景分开。HEAP的设计使得图像可以高效地分解为多个层次的表示，从而提高了目标发现的准确性。实验结果表明，HEAP在语义分割检索、无监督目标发现和显著性检测任务中均达到了最先进的性能。
【SVPWM的模型】基于三相VSC的空间矢量PWM方法研究（Simulink仿真实现）
最新发布
11-08
内容概要：本文围绕基于三相电压源型变流器（VSC）的空间矢量PWM（SVPWM）方法展开研究，重点介绍SVPWM的基本原理、数学模型构建及其在Simulink环境下的仿真实现过程。文章详细阐述了空间矢量的合成、扇区判断、作用时间计算及开关序列生成等关键步骤，并通过Simulink搭建控制系统模型验证算法有效性，帮助读者深入理解SVPWM在电力电子变换器中的应用机制。; 适合人群：电气工程、自动化及相关专业的研究生、科研人员及从事电力电子与新能源系统开发的工程师；需具备一定的电路理论、电力电子技术和MATLAB/Simulink基础。; 【SVPWM的模型】基于三相VSC的空间矢量PWM方法研究（Simulink仿真实现） 使用场景及目标：①掌握SVPWM的核心算法与实现流程；②学习如何在Simulink中构建电力电子控制系统的仿真模型；③为逆变器、电机驱动、新能源并网等领域的控制策略研究提供技术支持与仿真基础。; 阅读建议：建议结合文中Simulink模型逐步操作，理解各模块功能与参数设置，配合理论推导加深对SVPWM工作原理的认识，同时可扩展至实际硬件平台验证，提升理论与实践结合能力。
identitystore-jvm-1.3.6-sources.jar
11-08
identitystore-jvm-1.3.6-sources.jar
EI复现考虑网络动态重构的分布式电源选址定容优化方法（Matlab代码实现）
11-08
【EI复现】考虑网络动态重构的分布式电源选址定容优化方法（Matlab代码实现）
VA10.9.2476.0
11-08
VA10.9.2476.0，Visual Assist X，支持VS2022，非piaoyun版本
IOA-AGV资料.zip
11-08
IOA_AGV资料.zip
【顶级SCI复现】【日前调度和日内调度两个时间尺度】虚拟电厂多时间尺度调度优化研究（Matlab代码实现）
11-08
内容概要：本文围绕虚拟电厂在多时间尺度下的调度优化展开研究，重点复现了日前调度与日内调度两个时间尺度的协同优化模型，采用Matlab进行代码实现，涵盖高比例可再生能源接入下的系统灵活性与储能成本平衡问题，并结合实际场景对调度性能进行验证。研究还涉及光伏功率预测、风电预测误差不确定性建模、需求响应、电能互补等关键技术，构建完整的虚拟电厂优化调度体系，具有较强的工程应用与科研参考价值。; 适合人群：从事电力系统、综合能源系统、虚拟电厂等领域研究的科研人员，具备一定Matlab编程基础和优化理论背景的硕士、博士研究生及科研工程师；; 【顶级SCI复现】【日前调度和日内调度两个时间尺度】虚拟电厂多时间尺度调度优化研究（Matlab代码实现） 使用场景及目标：①掌握虚拟电厂在多时间尺度下（日前-日内）的调度优化建模方法；②理解可再生能源预测误差处理与系统鲁棒性提升策略；③复现顶级SCI论文中的优化模型，支撑高水平论文撰写与项目开发； 阅读建议：建议结合提供的Matlab代码与网盘资料，逐步调试运行模型，重点关注YALMIP工具包在优化建模中的应用，深入理解约束条件设置、目标函数设计及求解器调用逻辑，同时可扩展至多微网协同、储能调度等方向进行二次创新。
org.hl7.fhir.dstu3-6.2.6.jar
11-08
org.hl7.fhir.dstu3-6.2.6.jar
噪音滤波使用 2D CA CFAR 生成雷达目标和噪声滤波（Matlab实现）
11-08
【噪音滤波】使用 2D CA CFAR 生成雷达目标和噪声滤波（Matlab实现）
aaai2024论文
03-29
### 关于AAA AI 2024会议论文 AAAI-24会议定于2024年2月20日至2月27日举行[^1]。要查找与该会议相关的论文，通常可以通过以下几种方式获取： #### 官方网站 访问官方发布的会议页面通常是了解最新动态的最佳途径。尽管目前尚未提供具体链接，但可以预期的是，在接近会议日期前几个月，主办方会发布详细的议程以及接受的论文列表。 #### 数据库和索引服务 利用学术搜索引擎如Google Scholar、Microsoft Academic或者专门针对计算机科学领域的内容平台DBLP，输入关键词“AAAI 2024”可以帮助定位相关研究工作。这些工具能够快速筛选并展示匹配的结果。 #### 开放评审系统 部分顶级人工智能会议采用开放同行评议机制（例如ICLR曾使用的OpenReview平台[^2]），允许公众查看提交的手稿及其审阅过程记录。如果AAAI延续这一做法，则意味着潜在参与者可以直接在线浏览候选贡献项。 以下是基于Python实现的一个简单脚本用于自动化查询特定时间段内的出版物信息: ```python import requests from bs4 import BeautifulSoup def fetch_papers(year, conf_name="aaai"): base_url = f"https://www.{conf_name}.org/" response = requests.get(f"{base_url}proceedings/{year}") soup = BeautifulSoup(response.text, 'html.parser') titles = [] for item in soup.select('.paper-title'): title=item.string.strip() if not any(c.isdigit()for c in title): # filter out non-paper entries like headers etc. titles.append(title) return titles[:min(len(titles),10)] if __name__ == "__main__": year='2024' print(fetch_papers(year)) ``` 此代码片段仅作为演示用途；实际应用时需确认目标站点支持爬取操作，并遵循其robots.txt文件规定。
评论
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