近日，我院物联网与信息安全团队在社交网络谣言溯源方向取得新进展，相关成果论文《GSASL: Set-Based Multi-Source Rumor Localization with Graph Slot Attention》（DOI: 10.1109/TKDE.2026.3752527）被数据挖掘与数据库领域期刊IEEE Transactions on Knowledge and Data Engineering（IEEE TKDE）录用。该成果由王爱莲副教授带领研究生郑杨琦等完成，王爱莲副教授为第一作者。IEEE Transactions on Knowledge and Data Engineering是中国计算机学会（CCF）推荐的A类顶级国际期刊，在数据挖掘领域享有极高的学术声誉。

谣言溯源旨在根据网络中观测到的传播快照，反向推断信息最初的传播源头，在内容溯源、虚假信息治理和疫情防控等场景中具有重要意义。然而，谣言溯源本质上是一个不适定的逆问题：传播过程具有随机性，观测数据稀疏，网络拓扑复杂，不同的源点集合可能产生非常相似的观测结果。在多源传播场景中，多个源头引发的传播相互交织，进一步加大了推断难度。现有深度学习方法大多为每个节点独立打分，再通过阈值或固定规则得到源点集合，忽略了多个源点之间的联合依赖关系；在源点数量未知时，也难以同时准确推断源点的数量和位置。

针对上述挑战，研究团队提出了基于图槽注意力的多源谣言溯源框架GSASL（Graph Slot Attention for Source Localization），首次将多源溯源重新建模为排列不变的集合预测问题。首先，框架融合节点状态、局部统计特征与随机游走结构编码，并采用随机游走加权的图同构网络编码器，增强对相似结构节点的区分能力。其次，借鉴计算机视觉中的目标发现思想，设计了可学习的槽查询向量，通过图槽注意力机制竞争性地聚合各感染区域的证据，直接输出预测的源点集合，并利用二分图匈牙利匹配实现预测与真实源点之间的一一对应。最后，针对源点数量未知的场景，创新性地引入“空槽”机制，使模型在识别源点身份的同时自适应推断源点数量，从而在统一框架下同时支持源点数量已知和未知两种设定。此外，框架还引入基于拓扑扩散一致性的重构正则项，鼓励预测源点与观测快照保持一致。GSASL整体框架如图1所示。

为验证方法的有效性，研究团队在社交平台、学术合作网络、电力网络等六个真实网络上开展了实验，并与国内外八种代表性方法进行了对比，其中包括2025年发表于IJCAI、CIKM等国际顶级会议的最新方法。结果显示，无论谣言源头数量是否已知，GSASL在绝大多数网络上均取得最优溯源效果：数量已知时，其在全部六个网络上定位误差最低；数量未知时优势更明显，部分网络的溯源准确率较现有最优方法提升近20个百分点。实验结果对比如图2所示。

该研究为复杂网络中的多源谣言溯源提供了新的集合预测技术方案，体现了我院在社交网络分析、图数据挖掘与人工智能交叉学科方向的科研积累与创新能力。未来，团队将继续在面向不完整观测、动态与异构网络的谣言溯源等方向深入探索，推动研究成果在网络舆情治理和虚假信息防控等场景中的应用。团队负责人陈永乐教授在科研平台建设与团队发展方面给予了长期支持。学院也将持续推进高水平科研平台建设，支持研究生开展原创性科研工作，助力更多高质量成果走向国际学术舞台。

图1 GSASL整体框架

图2 GSASL与代表性方法在六个真实网络上的溯源效果对比实验结果对比