論文の概要: Deep Collaborative Embedding for information cascade prediction
- arxiv url: http://arxiv.org/abs/2001.06665v1
- Date: Sat, 18 Jan 2020 13:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 05:30:22.207809
- Title: Deep Collaborative Embedding for information cascade prediction
- Title（参考訳）: 情報カスケード予測のためのDeep Collaborative Embedding
- Authors: Yuhui Zhao, Ning Yang, Tao Lin, Philip S. Yu
- Abstract要約: 本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。
本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。
実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
- 参考スコア（独自算出の注目度）: 58.90540495232209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, information cascade prediction has attracted increasing interest
from researchers, but it is far from being well solved partly due to the three
defects of the existing works. First, the existing works often assume an
underlying information diffusion model, which is impractical in real world due
to the complexity of information diffusion. Second, the existing works often
ignore the prediction of the infection order, which also plays an important
role in social network analysis. At last, the existing works often depend on
the requirement of underlying diffusion networks which are likely unobservable
in practice. In this paper, we aim at the prediction of both node infection and
infection order without requirement of the knowledge about the underlying
diffusion mechanism and the diffusion network, where the challenges are
two-fold. The first is what cascading characteristics of nodes should be
captured and how to capture them, and the second is that how to model the
non-linear features of nodes in information cascades. To address these
challenges, we propose a novel model called Deep Collaborative Embedding (DCE)
for information cascade prediction, which can capture not only the node
structural property but also two kinds of node cascading characteristics. We
propose an auto-encoder based collaborative embedding framework to learn the
node embeddings with cascade collaboration and node collaboration, in which way
the non-linearity of information cascades can be effectively captured. The
results of extensive experiments conducted on real-world datasets verify the
effectiveness of our approach.
- Abstract（参考訳）: 近年,情報カスケード予測は研究者の関心を惹きつけているが,既存の作品の3つの欠点が原因で,解決には至っていない。
まず、既存の研究は情報拡散の複雑さのために現実の世界では実現不可能な情報拡散モデルを想定していることが多い。
第二に、既存の研究は感染順の予測を無視することが多く、ソーシャルネットワーク分析においても重要な役割を担っている。
最終的に、既存の作品は、実際には観測できないであろう基盤となる拡散ネットワークの要件に依存することが多い。
本稿では,2つの課題がある拡散機構と拡散ネットワークに関する知識を必要とせずに,ノード感染と感染順序の両方を予測することを目的とした。
1つは、ノードのカスケード特性と、それをキャプチャする方法であり、もう1つは、情報カスケード内のノードの非線形特徴をモデル化する方法である。
これらの課題に対処するために,我々は,ノード構造特性だけでなく2種類のノードカスケード特性も捉えることができる情報カスケード予測のための深層協調埋め込み(dce)と呼ばれる新しいモデルを提案する。
本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調でノード埋め込みを学習し, 情報カスケードの非線形性を効果的に捉えることができる。
実世界のデータセット上で行った広範囲な実験の結果から,本手法の有効性が検証された。
関連論文リスト
- Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳（メタデータ） (2024-11-20T00:43:32Z) - Global Context Enhanced Anomaly Detection of Cyber Attacks via Decoupled Graph Neural Networks [0.0]
非線形ネットワーク情報をキャプチャする問題を克服するために、分離したGNNをデプロイする。
ノード表現学習のために,ノード特徴情報を集約する2つのモジュールを持つGNNアーキテクチャを開発する。
その結果,非結合型トレーニングとグローバルコンテキストの強化されたノード表現は,AUCにおける最先端モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-09-04T21:54:07Z) - Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks [51.54002032659713]
カスケード予測のための階層型情報拡張ネットワーク(HIENet)を提案する。
本手法では,基本カスケードシーケンス,ユーザソーシャルグラフ,サブカスケードグラフを統合フレームワークに統合する。
論文 参考訳（メタデータ） (2024-03-22T14:57:27Z) - DiffusionSeg: Adapting Diffusion Towards Unsupervised Object Discovery [20.787180028571694]
DiffusionSegは、2段階戦略を含む合成探索フレームワークである。
我々は,豊富な画像を合成し,第1段階でマスクを得るための新しいトレーニングフリーアテンションカットを提案する。
第2のエクスプロイト段階では、構造的ギャップを埋めるために、インバージョン技術を用いて、与えられた画像を拡散特徴にマッピングする。
論文 参考訳（メタデータ） (2023-03-17T07:47:55Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳（メタデータ） (2022-04-18T09:25:06Z) - Improving Information Cascade Modeling by Social Topology and Dual Role
User Dependency [3.3497820777154614]
我々は、TAN-DRUD (Topology-aware Attention Networks with Dual Role User Dependency) という名前の非シーケンス情報カスケードモデルを提案する。
TAN-DRUDは、情報送信者と受信者の二重ロールユーザ依存性をキャプチャすることで、情報カスケードモデリングにおける良好な性能を得る。
3つのカスケードデータセットに対する実験により、我々のモデルは最先端のカスケードモデルよりも優れているだけでなく、トポロジー情報を利用して拡散木を推定できることを示した。
論文 参考訳（メタデータ） (2022-04-07T14:26:33Z) - Independent Asymmetric Embedding Model for Cascade Prediction on Social
Network [0.49269463638915806]
Cascade予測は、メッセージをソーシャルネットワークに再投稿する可能性のある個人を予測することを目的としています。
カスケード予測のための社会的埋め込み学習のための独立な非対称埋め込み法を提案する。
論文 参考訳（メタデータ） (2021-05-18T05:40:38Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳（メタデータ） (2021-04-17T20:00:40Z) - Joint Inference of Diffusion and Structure in Partially Observed Social
Networks Using Coupled Matrix Factorization [3.399624105745357]
本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。
提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。
これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
論文 参考訳（メタデータ） (2020-10-03T17:48:57Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。