Adversarial Active Learning based Heterogeneous GNN for Fake news Detection-ICDM20

2023-01-16 17:11:30 来源：博客园

(资料图)

一、摘要

假新闻的爆炸性增长，以及对政治、经济和公共安全的破坏性影响，增加了对假新闻检测的需求。社交媒体上的假新闻并不是以文章的形式独立存在的。许多其他实体，如新闻创造者、新闻主题等，都存在于社交媒体上，并与新闻文章有关系。不同的实体和关系可以被建模为一个异构信息网络（HIN）。

在本文中，我们试图在基于新闻的HIN的支持下解决假新闻检测问题。我们提出了一种新的假新闻检测框架，即基于对抗性主动学习的异构图神经网络（AA-HGNN），该框架采用了一种新的层次注意机制在HIN中进行节点表示学习。

AA-HGNN利用主动学习框架来提高学习性能，特别是当面对标记数据的缺乏时。一个对抗性的选择器将被训练来查询主动学习框架的高价值的候选者。当对抗性主动学习完成后，AA-HGNN通过对新闻文章节点进行分类来检测假新闻。

在两个真实的假新闻数据集上的实验表明，当使用基于对抗性主动学习获取的较少标记的数据时，我们的模型可以优于基于文本的模型和其他基于图的模型。AA-HGNN作为一种具有通用性的模型，也能够广泛应用于异构图上的其他与节点分类相关的应用中。

常规基于注意力的异构图算法，加上对抗主动学习机制，用于标签数较少的假新闻检测。

论文评估时，不过和对比方法选用同样数量得训练样本，但具体的样本是基于主动学习从训练集中选取的。当然，也只能用这种方式进行近似评估（本质上还是在训练样本上做文章，只能说本文可能设计了一个更好的基于HIN和主动学习的假新闻检测框架）。

实际上，标注数据少也仅仅是针对正样本（负样本获取代价相对低很多），或许这个问题更该归结于类别不平衡问题。

用异构图算法的总觉得是在水文章，不过本文还是有一点亮点得。下图为论文PPT总结。