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
本文研究了图信号处理与图嵌入模型之间的理论联系,将图嵌入模型作为一个通用的图信号进程,并提出了一种广义的对抗攻击器:GF-Attack,该攻击只针对图滤波器,不需要访问任何目标分类器的知识。实验结果表明,我们的攻击器对多个基准数据集的不同图嵌入模型都能有效攻击,即使是像一条边改变这样的小的图扰动也可以对不同的图嵌入模型产生强大的攻击效果。
Aug, 2019
本文研究了利用图神经网络技术和机器学习算法探测社交媒体平台上的虚假新闻传播,发现图神经网络对于虚假新闻的辨别效果最好。
Mar, 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
对公平性感知的图神经网络进行了对抗攻击研究,提出了 G-FairAttack 攻击框架,可有效地破坏不同类型的图神经网络的公正性而保持攻击不被察觉,以此揭示了公平性感知的图神经网络潜在的漏洞,并引导进一步研究图神经网络在公平性方面的鲁棒性。
Oct, 2023
提出了自适应交互融合网络(AIFN),其中使用门控自适应交互网络(GAIN)发现语义冲突,并使用语义级融合自注意网络(SFSN)增强特征相关性和融合。在 RumourEval 和 PHEME 两个真实世界的数据集上的广泛实验表明,AIFN 实现了最先进的表现,并将精度分别提高了 2.05% 和 1.90%。
Apr, 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
本文通过建立节点注入攻击的马尔科夫决策过程模型,提出了一种基于强化学习框架 (GA2C)的节点注入方法,将注入节点结构化地插入原图中。研究结果表明,与现有最先进的方法相比,本文提出的 GA2C 方法具有更高的注入成功率和分类误差率。
Feb, 2022
本文提出了一种简化梯度攻击的方法,可以通过多阶段攻击框架在只需较小子图的情况下使图神经网络误分类。此外,作者还提出了度同配改变这一实用指标来衡量对图数据的对抗攻击的影响。
Sep, 2020
本文提出了一种黑盒驱动下的广义对抗攻击器 GF-Attack,它可以直接攻击图滤波器,而不需要访问标签或模型预测。作者通过将图嵌入模型形式化为具有相应图滤波器的一般图信号过程来探究图信号处理与图嵌入模型之间的理论联系,并证明 GF-Attack 可以在不知道图嵌入模型层数的情况下执行有效的攻击。作者在四种流行的图嵌入模型上构建攻击器,并在多个基准数据集上进行了广泛的实验证明了 GF-Attack 的有效性。
May, 2021