Rumor Detection with Diverse Counterfactual Evidence

要約

ソーシャルメディアの成長により、個人やコミュニティに対するフェイクニュースの脅威が悪化しています。
これにより、効率的かつタイムリーな噂検出方法の開発に対する注目が高まっています。
一般的なアプローチは、グラフ ニューラル ネットワーク (GNN) を利用して、噂拡散プロセスの伝播後のパターンを利用します。
ただし、これらの方法には、GNN のブラックボックスの性質により、噂検出の固有の解釈が欠けています。
さらに、これらの方法は噂検出にすべての伝播パターンを使用するため、結果があまり堅牢ではありません。
このペーパーでは、提案されている噂検出のための多様な反事実証拠フレームワーク (DCE-RD) を使用して上記の問題に対処します。
私たちの直観では、イベント グラフの多様な反事実証拠を多視点の解釈として利用し、それらがさらに集約されて堅牢な噂検出結果が得られると考えています。
具体的には、私たちの方法はまず、イベントグラフのさまざまなサブグラフを効率的に生成するためのサブグラフ生成戦略を設計します。
噂の検出結果が変化するように、これらのサブグラフの削除を制限します。
したがって、これらのサブグラフは当然、噂検出の反事実証拠として機能します。
多視点の解釈を実現するために、反事実証拠間の多様性を促進する決定点プロセス (DPP) に触発された多様性損失を設計します。
GNN ベースの噂検出モデルは、提案された DCE-RD によって発見されたさまざまな反事実証拠をさらに集約し、解釈可能で堅牢な噂検出結果を実現します。
2 つの現実世界のデータセットに対する広範な実験により、私たちの手法の優れたパフォーマンスが示されました。
私たちのコードは https://github.com/Vicinity111/DCE-RD で入手できます。

要約(オリジナル)

The growth in social media has exacerbated the threat of fake news to individuals and communities. This draws increasing attention to developing efficient and timely rumor detection methods. The prevailing approaches resort to graph neural networks (GNNs) to exploit the post-propagation patterns of the rumor-spreading process. However, these methods lack inherent interpretation of rumor detection due to the black-box nature of GNNs. Moreover, these methods suffer from less robust results as they employ all the propagation patterns for rumor detection. In this paper, we address the above issues with the proposed Diverse Counterfactual Evidence framework for Rumor Detection (DCE-RD). Our intuition is to exploit the diverse counterfactual evidence of an event graph to serve as multi-view interpretations, which are further aggregated for robust rumor detection results. Specifically, our method first designs a subgraph generation strategy to efficiently generate different subgraphs of the event graph. We constrain the removal of these subgraphs to cause the change in rumor detection results. Thus, these subgraphs naturally serve as counterfactual evidence for rumor detection. To achieve multi-view interpretation, we design a diversity loss inspired by Determinantal Point Processes (DPP) to encourage diversity among the counterfactual evidence. A GNN-based rumor detection model further aggregates the diverse counterfactual evidence discovered by the proposed DCE-RD to achieve interpretable and robust rumor detection results. Extensive experiments on two real-world datasets show the superior performance of our method. Our code is available at https://github.com/Vicinity111/DCE-RD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google