Key points are not available for this paper at this time.
강력한 루머 탐지 모델을 구축하는 것은 소셜 미디어 플랫폼에서 정보의 진실성을 보호하는 데 중요합니다. 그러나 루머의 확산을 막기 위한 기존 접근 방식은 풍부하고 깨끗한 학습 데이터에 의존하며, 이는 실제 상황에서는 거의 존재하지 않습니다. 본 연구에서는 불완전하고 노이즈가 많은 레이블 데이터에도 대응할 수 있는 신뢰할 수 있는 루머 탐지 모델을 개발하는 것을 목표로 합니다. 우리의 연구는 고전적 및 조기 탐지를 포함하여 강력한 루머 탐지와 다섯 가지 강건성 문제를 다룹니다: 노이즈 및 불완전한 전파, 레이블 부족 및 노이즈, 사용자 사라짐. 우리는 주로 출처 트윗의 정보 전파 그래프와 사용자 프로필 및 리트윗 지식을 활용하여 모델 학습을 위한 새로운 방법인 Robustness-Enhanced Rumor Detection (RERD)을 제안합니다. RERD의 혁신점은 네 가지입니다. 첫째, 우리는 비텍스트 및 텍스트 리트윗의 전파 구조를 함께 활용하여 출처 트윗의 표현을 학습합니다. 둘째, 우리는 그래프 표현 학습을 위해 관계형 전파를 사용하여 위에서 아래로 및 아래에서 위로의 정보 흐름을 동시에 활용합니다. 셋째, 효과적인 조기 및 강력한 탐지를 위해, 정보 전파의 초기 및 완전한 뷰로 그래프에서 대조 학습을 구현하여 작은 스냅샷이 미래 형태를 예측할 수 있도록 합니다. 마지막으로, 우리는 레이블 부족 및 노이즈가 많은 레이블의 영향을 완화하고 손상된 데이터에서 학습된 표현을 수정하기 위해 커리큘럼 의사 라벨링을 사용합니다. 세 개의 벤치마크 데이터세트에 대한 실험 결과는 RERD가 고전적, 조기 및 강력한 루머 탐지 시나리오에서 경쟁자보다 일관되게 우수한 성능을 발휘함을 보여줍니다. 우리가 아는 한, 우리는 루머의 조기 및 다섯 가지 강건한 탐지를 동시에 다룬 첫 번째 연구입니다.
Zhuang et al. (Sat,)는 이 질문을 연구했습니다.