QSAN: A Quantum-probability based Signed Attention Network for Explainable False Information Detection-CIKM20
2023-04-18 15:19:07 时间
一、摘要
在社交媒体上的虚假信息检测具有挑战性,因为它通常需要烦冗的证据收集,但又缺乏可用的比较信息。从用户评论中挖掘出的线索作为群体智慧,可能对这项任务有相当大的好处。
然而,考虑到内容和评论的隐式相关性,捕获复杂的语义是很简单的。虽然深度神经网络具有较好的表达能力,但缺乏可解释性是其主要的缺点。
本文主要关注如何从社交媒体上的帖子内容和相关评论中学习,以更有效地理解和检测虚假信息,并具有可解释性。因此,本文提出了一种基于量子概率的符号注意网络(QSAN),该网络将量子驱动的文本编码和一种新的符号注意机制集成在一个统一的框架中。
- QSAN不仅能够区分重要的评论和其他的评论,而且还可以利用评论中相互冲突的社会观点来促进检测。
- 此外,由于量子物理的实际意义和注意力权重,QSAN在模型透明度方面具有可解释性。
在真实数据集上的大量实验表明,QSAN优于最先进的基线,并且可以提供不同类型的用户评论来解释为什么一条信息被检测为错误的。
二、内容
QSAN的创新是在虚假信息检测问题上结合之前的量子文本表示(基于复数的表示方法),设计了新颖的可解释的符号注意力网络。
下图为论文PPT总结。
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击