本研究提出了一种基于图神经网络的社交情境感知假新闻检测框架，根据内容传播的本质、用户的内容共享行为以及这些用户的社交网络聚合信息，并系统比较了几种 GNN 模型，实现了在假新闻数据集上的最新技术成果。

Aug, 2020

通过构建多种异质社交上下文图并将问题重新定义为图分类任务，本文提出了一种高效的方法来检测虚假新闻，并在常见基准数据集上获得了鲁棒的结果，研究成果表明将不同类型的信息（以获得何种社交上下文水平最有效）与使用不同的图形神经网络架构相结合非常有效。

Dec, 2022

研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用，并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分，表现优于基线模型。

Jul, 2022

我们提出了第一个生成图检测框架，通过四种分类场景探索了一系列复杂模型的性能，证明了这些模型都能够成功检测到生成的图，并且具有一定的稳健性和普适性，从而能够有效地遏制生成图的恶意滥用与虚假传播。

Jun, 2023

本论文通过 PAC-Bayesian 分析来研究非 IID 半监督学习设置下的图神经网络（GNNs）的广义化性能，并分析了不同子组的未标记节点的广义化表现，以从理论角度进一步研究 GNNs 的准确性 -(不) 平等式（不）公平性。实验证实了我们的理论结果。

Jun, 2021

本研究针对数据稀缺度的问题，提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法，同时在嵌入空间中实现了任务驱动嵌入，最后提出了一种基于 MixUp 的在线数据增强技术。

Jun, 2022

评估机器学习模型在多样化和少数群体上的性能对于确保公平和可靠的实际应用至关重要。本研究引入了一种深度生成建模框架 3S Testing，通过为小型子群生成合成测试集并模拟分布偏移，促进模型评估。实验证明，3S Testing 在估计少数群体和可能的分布偏移的模型性能方面优于传统基准，包括仅使用真实测试数据，而且 3S 的性能估计还提供了区间，相对于现有方法，具有更好的准确性。总的来说，这些结果引发了一个问题，是否需要从有限的真实测试数据转向合成测试数据的新方法。

Oct, 2023

通过对现有数据集的新的训练 - 测试分割，我们挑战了仅基于目标和关键词训练、评估仅考虑训练和测试数据之间的分布变化的仇恨言论模型。我们提出了两种分割变体，并使用四个预训练模型应用于两个数据集，揭示了模型在潜在空间中的盲点上的灾难性失败。进一步分析表明，数据分割的表面级属性与性能下降之间没有明确的相关性，这突显了任务的难度不总是容易人类解释的。我们推荐在模型开发中加入基于潜在特征的分割，并通过 GenBench 基准发布了两种分割方案。

Nov, 2023

本论文主要针对基于传播的假新闻检测，利用图神经网络实现无需文本信息的分类方法，研究了在新数据集上的性能问题，并提出了利用持续学习方法解决的方案。

Jul, 2020

通过图论和深度学习的方法对基于图的假新闻检测进行系统的综述，将现有方法分类为知识驱动、传播驱动和异构社交环境驱动的方法，并讨论了图论假新闻检测中的挑战和未来研究方向。

Jul, 2023