论文信息

论文标题：Open-Topic False Information Detection on Social Networks with Contrastive Adversarial Learning
论文作者：Guanghui Ma, Chunming Hu, Ling Ge, Hong Zhang
论文来源：EMNLP 2022
论文地址：download 
论文代码：download

1 介绍

　　当前研究方向：基于主题内和跨主题的虚假信息检测；

　　不足：对于可见和不可见的主题网络过于苛刻；

　　因此，本文意欲创造一个通用的网络架构；

　　Note：

 　　回顾：

2 问题描述

　　给定 $n_{s}$ 个带标签的源域样本 $  \left(\left\{\mathcal{G}_{i}^{s}, y_{i}^{s}\right\}\right)_{i=1}^{n_{s}}$ ，其中 主题 $K_{s}=   \left\{K_{s}^{1}, \ldots, K_{s}^{m}\right\}$ 、$\mathcal{G}_{i}^{s} \in \mathcal{G}_{s}$、$y_{i}^{s} \in \mathcal{Y}_{s} $。给定 $n_{t}$ 个不带标签的目标域样本 $\left(\left\{\mathcal{G}_{j}^{t}\right\}\right)_{j=1}^{n_{t}}$ ，其中 主题 $K_{t}=\left\{K_{t}^{1}, \ldots, K_{t}^{n}\right\}$、且 $K_{s} \cap K_{t} \neq \varnothing$。目标：预测 $\left\{y_{j}^{t}\right\}_{j=1}^{n_{t}}$，$y \in\{  True, False  \}$。

3 方法

　　框架：

3.1 Topic Feature Learner

　　TF learner

　　　　$z_{t f}=\mathbf{N N}(\mathrm{h})$

　　$\mathcal{L}_{T F}$ 损失函数：

　　　　$\begin{aligned}\mathcal{L}_{T F}(\theta_{e}, \theta_{t f})= & \mathbb{E}_{\mathbb{P}_{\hat{\mathcal{G}}_{i}}}\{-\mathbb{E}_{\mathbb{P}_{(\hat{\mathcal{G}}_{i} \mid \hat{\mathcal{G}}_{j}.}} T(z_{t f}^{i}, z_{t f}^{j})..+\log \mathbb{E}_{\mathbb{P}_{\hat{\mathcal{G}}_{j}}} e^{T(z_{t f}^{i}, z_{t f}^{j})}\}\end{aligned}$

　　损失函数 $\mathcal{L}_{T F}$ 可以评估主题之间的差异，损失越小，聚类结果越好。

3.2 Representation Alignment Learner

 　　　　$z_{r a}=\mathbf{N N}(\mathrm{h})$

　　$\mathcal{L}_{RA}$ 损失函数：

 　　　　$\begin{aligned}\mathcal{L}_{R A}(\theta_{e}, \theta_{r a})= & \mathbb{E}_{\mathbb{P}_{\hat{\mathcal{G}}_{i}}}\{-\mathbb{E}_{.\mathbb{P}_{(\hat{\mathcal{G}}_{i} \mid \hat{\mathcal{G}}_{j}).}} T(z_{r e v}^{i}, z_{r e v}^{j}) +\log \mathbb{E}_{\mathbb{P}_{\hat{\mathcal{G}}_{j}}} e^{T(z_{\text {rev }}^{i}, z_{r e v}^{j})}\}\end{aligned}$

　　Note：

　　　　$z_{\text {rev }}=\mathbf{G R L}\left(\mathrm{z}_{\mathrm{ra}}\right)$

3.3 总

　　Readout 层的表示和 TF Learner 、RA Learner 的表示concat 放入分类器中做分类（交叉熵）；

4 其他