Detectar rumores en Twitter promoviendo campañas de información con aprendizaje adversarial generativo

Los rumores pueden causar consecuencias devastadoras para el individuo y/o la sociedad. El análisis muestra que la propagación de rumores suele resultar de campañas de información promovidas deliberadamente que tienen como objetivo moldear las opiniones colectivas sobre los eventos noticiosos concernientes. En este artículo, intentamos combatir ese caos con sus propias armas para hacer que la detección automática de rumores sea más robusta y efectiva. Nuestra idea se inspira en el método de aprendizaje adversarial que se origina en las Redes Adversariales Generativas (GAN). Proponemos un enfoque estilo GAN, donde un generador está diseñado para producir voces inciertas o conflictivas, complicando los hilos de conversación originales para presionar al discriminador a aprender representaciones más fuertes que indiquen rumores a partir de ejemplos aumentados y más desafiantes. A diferencia del enfoque tradicional basado en datos para la detección de rumores, nuestro método puede capturar patrones no triviales pero más fuertes de baja frecuencia a través de dicho entrenamiento adversarial. Experimentos extensivos en dos conjuntos de datos de referencia de Twitter demuestran que nuestro método de detección de rumores logra resultados mucho mejores que los métodos de última generación.