論文の概要: Propagation Tree Is Not Deep: Adaptive Graph Contrastive Learning Approach for Rumor Detection

• arxiv url: http://arxiv.org/abs/2508.07201v1
• Date: Sun, 10 Aug 2025 06:53:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.750637
• Title: Propagation Tree Is Not Deep: Adaptive Graph Contrastive Learning Approach for Rumor Detection
• Title（参考訳）: 伝播木は深くない - 適応的なグラフコントラスト学習アプローチによる噂検出
• Authors: Chaoqun Cui, Caiyan Jia,
• Abstract要約: 既存のグラフベースのほとんどのモデルでは、RPT (presume rumor propagation tree) は深い構造を持ち、枝に沿ったシーケンシャルな特徴を学習している。 RPTは広い構造を示し、ほとんどのノードは浅い1レベルの応答である。 本稿では,ノード中心性によって誘導される適応的なビュー拡張を用いたRAGCL(Rumor Adaptive Graph Contrastive Learning)手法を提案する。
• 参考スコア（独自算出の注目度）: 3.2803526084968904
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Rumor detection on social media has become increasingly important. Most existing graph-based models presume rumor propagation trees (RPTs) have deep structures and learn sequential stance features along branches. However, through statistical analysis on real-world datasets, we find RPTs exhibit wide structures, with most nodes being shallow 1-level replies. To focus learning on intensive substructures, we propose Rumor Adaptive Graph Contrastive Learning (RAGCL) method with adaptive view augmentation guided by node centralities. We summarize three principles for RPT augmentation: 1) exempt root nodes, 2) retain deep reply nodes, 3) preserve lower-level nodes in deep sections. We employ node dropping, attribute masking and edge dropping with probabilities from centrality-based importance scores to generate views. A graph contrastive objective then learns robust rumor representations. Extensive experiments on four benchmark datasets demonstrate RAGCL outperforms state-of-the-art methods. Our work reveals the wide-structure nature of RPTs and contributes an effective graph contrastive learning approach tailored for rumor detection through principled adaptive augmentation. The proposed principles and augmentation techniques can potentially benefit other applications involving tree-structured graphs.
• Abstract（参考訳）: ソーシャルメディアでの噂の検出がますます重要になっている。 既存のグラフベースのほとんどのモデルでは、RPT (presume rumor propagation tree) は深い構造を持ち、枝に沿ったシーケンシャルな特徴を学習している。 しかし、実世界のデータセットの統計分析により、RTPは広い構造を示し、ほとんどのノードは浅い1レベルの応答であることがわかった。 集中的な部分構造に焦点を合わせるために,ノード中心性によって誘導される適応的なビュー拡張を用いたRAGCL(Rumor Adaptive Graph Contrastive Learning)手法を提案する。 RPT拡張の3つの原則を要約する。 1)ルートノードを免除する。 2) 深い応答ノードを保持する。 3) 下層ノードを深部で保存する。 我々は、中心性に基づく重要度スコアからの確率で、ノードドロップ、属性マスキング、エッジドロップを採用して、ビューを生成します。 グラフの対照的な目的は、堅牢な噂表現を学ぶ。 4つのベンチマークデータセットに対する大規模な実験は、RAGCLが最先端の手法より優れていることを示している。 本研究は,RTPの広範な構造特性を明らかにするとともに,適応的拡張による噂検出に適した効果的なグラフコントラスト学習手法を提案する。 提案された原則と拡張技術は、木構造グラフを含む他のアプリケーションに利益をもたらす可能性がある。

関連論文リスト

• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• Subgraph Networks Based Contrastive Learning [5.736011243152416]
  グラフコントラスト学習(GCL)は、注釈付きデータ不足の問題を解決する。 既存のGCL手法の多くは、グラフ拡張戦略や相互情報推定操作の設計に重点を置いている。 サブグラフネットワークに基づくコントラスト学習(SGNCL)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-06T08:52:44Z)
• Mitigating Overfitting in Graph Neural Networks via Feature and Hyperplane Perturbation [3.4498722449655066]
  グラフニューラルネットワーク(GNN)のための新しいデータ拡張戦略を提案する。 初期特徴と超平面の両方を反転させることで、学習可能なパラメータをより正確に更新する訓練スペースを新たに作成する。 実世界のデータセットを用いた実験により,提案手法はノード分類精度を46.5%向上させることができた。
  論文  参考訳（メタデータ） (2022-11-28T05:54:24Z)
• Let Invariant Rationale Discovery Inspire Graph Contrastive Learning [98.10268114789775]
  ハイパフォーマンスな拡張は、インスタンス識別に関するアンカーグラフの健全な意味を保存すべきである。 新たなフレームワーク Rationale-aware Graph Contrastive Learning (RGCL) を提案する。 RGCLは有理数生成器を使用して、グラフのインスタンス識別に関する健全な特徴を論理として明らかにし、対照的な学習のための有理数認識ビューを生成する。
  論文  参考訳（メタデータ） (2022-06-16T01:28:40Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
  本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。 具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。 提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
  論文  参考訳（メタデータ） (2020-10-27T15:12:21Z)
• Self-supervised Graph Learning for Recommendation [69.98671289138694]
  ユーザ・イテムグラフを用いた自己教師型学習を推奨する。 補助的自己監督タスクは、自己識別によるノード表現学習を強化する。 3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-21T06:35:26Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。