PSIN 谣言检测——《Divide-and-Conquer: Post-User Interaction Network for Fake News Detection on Social Media》( 六 ) _生活百科

5.3 Overall Performance

文章插图

文章插图
这里 FANG 是利用了 user 和 post 交互信息的图模型（公平起见去掉了原网站信息），FANG 在域内的结果次于 Bi-GCN 和 PLAN（没有有效利用 post 内容和结构），但是在跨域分类结果相反，这代表 post-tree 方法更可能过拟合，从而削弱其对新主题事件的泛化能力。
PSIN 在这两种设置下都优于 PSIN(-T)，而且在跨域设置中差距更显著，这表明对抗性主题分类器减轻了过拟合问题，并使模型学习泛化性更强的特征来准确性检测。
5.4 Ablation Study

文章插图
(-G) 没有文本特征提取器的门控机制，(-G) denotes our model with the gated mechanism for text feature extractor.（？without?）
(-A) post网络和post-user网络中都没有边缘增强技术的模型。
(-C) 没有post-user交互网络。
(-T) 表示没有对抗性的主题分类器。在跨域作用明显
5.5 Early Detection