論文の概要: Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2004.12373v1
• Date: Sun, 26 Apr 2020 13:17:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 13:53:50.857138
• Title: Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks
• Title（参考訳）: Cascade-LSTM:ディープニューラルネットワークを用いた情報カスケード予測
• Authors: Sameera Horawalavithana, John Skvoretz, Adriana Iamnitchi
• Abstract要約: 我々は,Long-Short Term Memory (LSTM) ニューラルネットワーク技術を用いて,情報カスケードの2時間特性を予測する。 本手法により,情報発信装置の分類精度は73%以上,早期送信装置の分類精度は83%以上となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the flow of information in dynamic social environments is relevant to many areas of the contemporary society, from disseminating health care messages to meme tracking. While predicting the growth of information cascades has been successfully addressed in diverse social platforms, predicting the temporal and topological structure of information cascades has seen limited exploration. However, accurately predicting how many users will transmit the message of a particular user and at what time is paramount for designing practical intervention techniques. This paper leverages Long-Short Term Memory (LSTM) neural network techniques to predict two spatio-temporal properties of information cascades, namely the size and speed of individual-level information transmissions. We combine these prediction algorithms with probabilistic generation of cascade trees into a generative test model that is able to accurately generate cascade trees in two different platforms, Reddit and Github. Our approach leads to a classification accuracy of over 73% for information transmitters and 83% for early transmitters in a variety of social platforms.
• Abstract（参考訳）: 動的社会環境における情報の流れの予測は、医療メッセージの拡散からミーム追跡に至るまで、現代社会の多くの領域に関係している。 情報カスケードの成長を予測することは、様々な社会プラットフォームにおいてうまく対処されているが、情報カスケードの時間的・位相的構造を予測することは、探索に限られている。 しかし、特定のユーザのメッセージの送信回数を正確に予測し、実際的な介入テクニックを設計する上で、どの時点が最重要かを予測する。 本稿では,Long-Short Term Memory(LSTM)ニューラルネットワーク技術を用いて,情報カスケードの2つの時空間特性,すなわち個別レベルの情報伝送のサイズと速度を予測する。 これらの予測アルゴリズムとカスケードツリーの確率的生成を組み合わせて、RedditとGithubの2つの異なるプラットフォームでカスケードツリーを正確に生成できる生成テストモデルを構築する。 提案手法では,情報送信機では73%以上,ソーシャルプラットフォームでは83%以上,早期送信機では83%以上を分類できる。

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)
• 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)
• HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades [25.564185461383655]
  情報カスケードの人気予測は、偽ニュースの特定や正確なレコメンデーションなど、多くのアプリケーションにとって重要である。 従来の機能ベースのメソッドは、ドメイン固有であり、新しいドメインへの一般化性に欠ける手作りの機能に依存している。 動的グラフモデリング手法を用いて,カスケードグラフ全体で動作するカスケード人気予測 (HierCas) のための階層型時間グラフ注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-20T01:55:10Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Explicit Time Embedding Based Cascade Attention Network for Information Popularity Prediction [12.645792211510276]
  本稿では,大規模情報ネットワークのための新しい人気予測アーキテクチャとして,時間埋め込みに基づくカスケード注意ネットワーク(TCAN)を提案する。 TCANは、時間属性を一般的な時間埋め込みアプローチ(TE)を介してノード機能に統合し、カスケードグラフアテンションエンコーダ(CGAT)とカスケードシーケンスアテンションエンコーダ(CSAT)を使用して、カスケードグラフとカスケードシーケンスの表現を完全に学習する。
  論文  参考訳（メタデータ） (2023-08-19T10:43:11Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• 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)
• 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)
• CasGCN: Predicting future cascade growth based on information diffusion graph [5.925905552955426]
  本稿ではカスケード成長予測のための新しいディープラーニングアーキテクチャCasGCNを提案する。 グラフ畳み込みネットワークを用いてグラフィカルな入力から構造的特徴を抽出し、次にアテンション機構を適用する。 2つの実世界のカスケード成長予測シナリオについて実験を行った。
  論文  参考訳（メタデータ） (2020-09-10T21:20:09Z)
• Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
  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。
  論文  参考訳（メタデータ） (2020-01-18T13:32:18Z)

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。