买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利基于自适应数据增强和对抗性训练的谣言检测框架获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116795989B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310798909.5，技术领域涉及：G06F16/353；该发明授权基于自适应数据增强和对抗性训练的谣言检测框架是由王英;杨兆琪;王鑫;杨博;朱曜迪;马涪元;张钧贺设计研发完成，并于2023-06-30向国家知识产权局提交的专利申请。

本基于自适应数据增强和对抗性训练的谣言检测框架在说明书摘要公布了：本发明公开了一种基于自适应数据增强和对抗性训练的谣言检测框架，旨在克服现有技术在面对数据噪声问题时只考虑结构而忽略特征，不考虑对抗性攻击对谣言检测问题的影响等问题。方法的步骤为：1.对数据集进行处理；2.利用自适应数据增强方法减弱噪声的影响；3.利用图卷积神经网络生成图表示；4.利用对抗性生成模块生成对抗性表示提高模型的鲁棒性；5.构建联合损失函数优化谣言检测任务。

本发明授权基于自适应数据增强和对抗性训练的谣言检测框架在权利要求书中公布了：1.基于自适应数据增强和对抗性训练的谣言检测框架，包括如下步骤： 1根据实际问题对数据进行处理; 1将数据集根据事件类型进行划分，每一个事件对应一个由用户构成的谣言传播图; 2根据事件中用户的ID以及用户之间的回复、评论的关系，构建谣言传播图和邻接矩阵; 3利用BidirectionalEncoderRepresentationfromTransformersBERT对用户的特征进行预训练，所述用户特征包括关注数、被关注数和昵称，得到特征矩阵; 4根据谣言事件的标签构建标签矩阵；根据数据集不同，标签可能为两种，也可能为四种; 5根据1234的结果将数据集表示为： ， ， ， , 其中，代表事件集合，代表事件的总数；代表谣言传播图；代表节点集，每一个节点代表一个用户；代表边集，表示节点和节点之间存在转发、评论的关系;代表谣言传播图的邻接矩阵，是邻接矩阵中的元素，当从节点到节点的一条边属于边集时，取值为1，其他情况取值为0；代表事件的标签，代表非谣言，代表虚假谣言，代表真实谣言，代表未经证实的谣言; 2利用自适应数据增强模块对边缘和特征均进行增强; 1利用节点的中心性来计算边缘的中心性，计算公式如下： 2得到边缘中心性后，为了减少高密度节点对边缘重要性的影响，对边缘中心性进行取对数操作；然后，利用计算边缘的重要性，计算公式如下： 其中和分别代表的最大值和平均值；是一个控制边的删除和错排概率的超参数；是一个用来防止边过度删除和错排影响谣言传播图结构的截断概率； 通过这种自适应数据增强的方法，计算边的重要性，通过删除和错排两种方式对不重要的边进行修改，保留重要的边尽最大可能保证谣言传播图的完整性，提高谣言检测框架的性能； 3利用自适应数据增强模块对特征进行数据增强 4首先选出一个掩蔽向量代表该掩蔽向量的维度； 5然后利用掩蔽向量来生成新的特征向量，计算方式如下： 其中表示运算连接符，代表元素之间的点乘，代表节点的特征向量，; 6利用得到的新的特征向量，计算特征各个维度的重要性权重，以维特征为例，计算方式如下： 其中，代表节点第维特征的绝对值；代表节点的中心性; 7类似于边缘特征增强，对节点中心性取对数；然后，利用来计算维度的特征的重要性，计算方式如下： 其中和分别代表的最大值和平均值；是一个控制节点特征增强振幅的超参数；是一个防止节点属性过度破坏的截断概率；经过自适应数据增强之后得到增强后的传播图，邻接矩阵和特征向量； 3利用双向图卷积神经网络生成图表示，步骤如下： 1将原始图和增强后的传播图分别构建为自上向下传播图和自底向上传播图； 2利用双向图卷积神经网络学习自上向下的传播图表示和自底向上的传播图表示，以增强传播图为例，计算公式如下： ， ， 其中，和分别代表自上向下的增强图的邻接矩阵和自底向上的增强图的邻接矩阵；是增强后的特征矩阵，和代表层图卷积神经网络的可学习参数；代表RELU的激活函数；和分别代表自上向下的增强图表示和自底向上的增强图表示; 3对自上向下的增强图表示和自底向上的增强图表示分别进行平均池化操作，并将得到的结果聚合到一起，获得增强图表示，计算公式如下： ， ， ， 其中，代表平均池化操作；代表矩阵的相加运算; 4对原始图进行23两个步骤获得原始图表示； 4利用FastGradientMethodFGM和ProjectionGradientDescentPGD两种方法对图表示进行对抗性训练，步骤如下： 1对于FGM方法，首先计算反向传播梯度，计算方式如下： 其中，代表损失函数，代表可学习的权重参数，代表聚合后的图表示，这里以增强图为例，代表标签； 2利用1得到的梯度，生成对抗性扰动，并将其添加到增强图表示中，计算步骤如下： ， ， 其中，代表对抗性扰动，是一个控制被扰动大小的超参数，表示范式；利用得到对抗性表示来跟新权重参数; 3对于PGD方法，将最终的对抗性扰动生成过程划分为多个小步骤并将小步骤的总数设为，首先根据小步中计算出的梯度生成对抗性样本；然后，将添加到图表示中，生成表示，计算方式如下： 4利用经过了FGM或PGD攻击方法得到的可学习权重，使用全连接层和归一化层将原始图表示和增强图表示，生成对抗性原始图表示和对抗性增强图表示，计算方式如下： ， ， 其中，代表偏差； 5将原始图表示、对抗性原始图表示、增强图表示及对抗性增强图表示进行拼接，以得到最终图表示，计算方式如下： ， ， ， 其中，代表连接函数；代表最终表示； 5最后利用损失函数来优化的谣言检测任务，步骤如下： 1构建对比损失函数 将最终表示作为锚点，然后将与锚点具有相同标签的表示作为正样本，将与锚点具有不同标签的表示作为负样本，利用余弦函数拉近正样本之间的距离，疏远负样本之间的距离，计算方式如下： . 其中，代表对比损失，是事件集合，是事件的索引，同时事件是锚点，其最终表示为；是事件的索引，其最终表示为，它与锚点具有相同标签，是正样本；是事件的索引，其最终表示为，它与锚点具有不同标签，是负样本；代表正样本集，代表负样本集；代表余弦相似度，是温度系数，它控制着分布的形状； 2构建交叉熵损失函数 交叉熵损失是一种广泛使用的分类损失函数，它利用标签信息来提高分类性能，利用得到预测标签和真实标签构建交叉熵损失函数，计算公式如下： 其中，代表标签数量，代表标签的类别，代表事件的真实标签，代表预测标签； 3构建联合损失函数 利用交叉熵损失函数和对比损失函数构建联合损失函数，计算方式如下： 其中，是一个超参数，是控制两个损失函数的比例的权衡系数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。