本研究提出了一种基于图卷积网络的多视图融合框架，用于较好地表示和识别谣言信息，并且在两个公共数据集上实验，结果表明该方法优于现有的技术。

Nov, 2022

本研究提出基于异质图的元路径捕获方法，结合全局语义关系和社交媒体消息传播结构信息，用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性，同时还具有非常早期检测谣言的能力。

Jun, 2020

在社交媒体上，广泛传播的谣言对人们的日常生活产生了负面影响，导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型，通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明，该模型在已有的谣言检测模型方面表现优秀，并且对抗性攻击更具鲁棒性。

Mar, 2024

本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架，用于在社交网络中评估信息真实性，并在两个真实数据集上进行广泛实验，结果显示 MONITOR 优于现有的机器学习基线，并且集成模型显着提高了 MONITOR 的性能。

Jan, 2023

本研究提出了一种称为单元引导层次图注意力网络的方法，利用社交上下文以增强响应帖子的表征学习，并在 Twitter 上展示了其优越的谣言检测能力。

Oct, 2021

本文提出了一种新颖的全局 - 局部注意力网络（GLAN）来进行谣言检测，该网络联合编码了本地语义和全局结构信息，并基于异构图模型来捕捉消息传播图中的丰富结构信息，实验证明在谣言检测和早期检测场景中，GLAN 明显优于现有的最先进模型。

Sep, 2019

提出一种基于知识引导的双一致性网络，用于检测具有多媒体内容的谣言，该网络具有两个一致性检测子网络，可同时捕获跨模态和内容 - 知识水平的不一致性，并在不同丢失视觉模态条件下实现鲁棒的多模态表示学习。该框架在三个公共实际多媒体数据集上的广泛实验表明，可以在完整和不完整的多模态条件下优于最先进的基线。

Jun, 2023

该研究提出了一种新颖的区域增强型深度图卷积网络（RDGCN），通过学习区域化传播模式来增强谣言的传播特征，并通过无监督学习训练传播模式，以解决社交媒体上的谣言检测问题。实验证明，该模型在谣言检测和早期谣言检测方面表现比基准方法更好。

Jun, 2022

本文提出一种新的双向图卷积网络模型（Bi-GCN），结合传播和扩散两个重要特征进行谣言检测，该模型利用顶部向下传播和底部向上传播的方式进行训练，并结合源帖信息来提升谣言的影响力。实验结果表明该方法在多个基准测试中优于先前的类似方法。

Jan, 2020

本文提出了一种可扩展的，使用潜在和手工制作特征进行谣言自动检测的解释性模型，并使用注意力机制来解释每个特征的相对重要性和特征类别本身的相对重要性，经过广泛实验表明，该方法在准确度和 F-score 上表现显着优于其他现代算法。

Jul, 2020