論文の概要: Network-based ranking in social systems: three challenges

• arxiv url: http://arxiv.org/abs/2005.14564v1
• Date: Fri, 29 May 2020 13:27:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 00:52:11.336405
• Title: Network-based ranking in social systems: three challenges
• Title（参考訳）: ソーシャルシステムにおけるネットワークベースのランキング:3つの課題
• Authors: Manuel S. Mariani, Linyuan L\"u
• Abstract要約: ネットワークベースのランク付けアルゴリズムは、複雑なシステムの安定性とダイナミクスのためのバイタルノードの同定に関する根本的な問題を解決する。 これらのアルゴリズムのユビキタスで成功した応用にもかかわらず、我々はそれらの性能とその実世界の問題への応用に対する理解が3つの根本的な課題に直面していると論じている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ranking algorithms are pervasive in our increasingly digitized societies, with important real-world applications including recommender systems, search engines, and influencer marketing practices. From a network science perspective, network-based ranking algorithms solve fundamental problems related to the identification of vital nodes for the stability and dynamics of a complex system. Despite the ubiquitous and successful applications of these algorithms, we argue that our understanding of their performance and their applications to real-world problems face three fundamental challenges: (i) Rankings might be biased by various factors; (2) their effectiveness might be limited to specific problems; and (3) agents' decisions driven by rankings might result in potentially vicious feedback mechanisms and unhealthy systemic consequences. Methods rooted in network science and agent-based modeling can help us to understand and overcome these challenges.
• Abstract（参考訳）: ランキングアルゴリズムは、ますますデジタル化されつつある社会に浸透し、レコメンデーションシステム、検索エンジン、インフルエンサーマーケティングプラクティスなど、現実世界の重要なアプリケーションがある。 ネットワーク科学の観点からは、ネットワークベースのランキングアルゴリズムは、複雑なシステムの安定性とダイナミクスのための重要なノードの同定に関する根本的な問題を解決する。 これらのアルゴリズムのユビキタスで成功した応用にもかかわらず、我々のパフォーマンスとその実世界の問題への応用に対する理解は、3つの基本的な課題に直面している: (i) ランキングは様々な要因によって偏っているかもしれない; (2) 効果は特定の問題に限定されるかもしれない; (3) ランキングによって引き起こされるエージェントの決定は、潜在的に有害なフィードバックメカニズムと不健全なシステム的結果をもたらすかもしれない。 ネットワーク科学やエージェントベースのモデリングに根ざした手法は、これらの課題を理解し克服するのに役立ちます。

関連論文リスト

• Learning to Solve Combinatorial Optimization under Positive Linear Constraints via Non-Autoregressive Neural Networks [103.78912399195005]
  組合せ最適化(英: Combinatorial Optimization、CO)は、計算機科学、応用数学などにおける基本的な問題である。 本稿では, 正線形制約下でのCO問題の解法として, 非自己回帰ニューラルネットワーク群を設計する。 本研究では,施設位置,最大被覆率,旅行セールスマン問題を含む代表的CO問題の解決において,この枠組みの有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-06T14:58:31Z)
• Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects [17.44202934049009]
  本稿では,グラフ機械学習アプローチとダブル機械学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は,広範囲なシミュレーション研究を通じて,正確で堅牢でスケーラブルであることを示す。
  論文  参考訳（メタデータ） (2024-03-17T20:23:42Z)
• Artificial Intelligence for Complex Network: Potential, Methodology and Application [23.710627896950438]
  複雑なネットワーク科学は、実際のネットワークの基盤となる統計力学、構造、力学の理解を大幅に強化した。 人工知能(AI)技術の出現は、複雑なネットワーク科学研究の新しい時代を告げている。 この調査は、複雑なネットワーク研究の難題を克服する上で、AIの潜在的な利点を体系的に解決することを目的としている。
  論文  参考訳（メタデータ） (2024-02-23T09:06:36Z)
• Don't Treat the Symptom, Find the Cause! Efficient Artificial-Intelligence Methods for (Interactive) Debugging [0.0]
  現代の世界では、私たちは、より高度な洗練のシステムに常用し、活用し、交流し、頼りにしています。 本論では、モデルに基づく診断の話題を紹介し、この分野の課題を指摘し、これらの課題に対処する研究からのアプローチの選択について論じる。
  論文  参考訳（メタデータ） (2023-06-22T12:44:49Z)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• A Survey of Graph-based Deep Learning for Anomaly Detection in Distributed Systems [2.3551989288556774]
  分散システムにおける異常を識別するグラフベースのアルゴリズムの可能性を探る。 私たちの目標の1つは、現実の課題に対処する能力を概念的に分析するグラフベースのアプローチについて、詳細な調査を行うことです。 本研究は,その分野における現状研究論文の概要と,その特性を比較比較・比較するものである。
  論文  参考訳（メタデータ） (2022-06-08T20:19:28Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
  インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。 本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。 最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
  論文  参考訳（メタデータ） (2021-06-13T16:42:22Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Fair Representation Learning for Heterogeneous Information Networks [35.80367469624887]
  公平なHIN表現学習のための包括的非バイアス化手法を提案する。 これらのアルゴリズムの挙動,特にフェアネスと予測精度のトレードオフをバランスさせる能力について検討した。 キャリアカウンセリングの自動化アプリケーションにおいて,提案手法の性能を評価する。
  論文  参考訳（メタデータ） (2021-04-18T08:28:18Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。