論文の概要: Effective Influence Spreading in Temporal Networks with Sequential Seeding

• arxiv url: http://arxiv.org/abs/2009.04769v1
• Date: Thu, 10 Sep 2020 11:03:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-03 00:57:19.453466
• Title: Effective Influence Spreading in Temporal Networks with Sequential Seeding
• Title（参考訳）: シーケンシャルシードによる時間ネットワークの効果的な拡散
• Authors: Rados{\l}aw Michalski, Jaros{\l}aw Jankowski, Piotr Br\'odka
• Abstract要約: 本研究は、シーケンシャルシードに基づく時間ネットワークにおける種子活性化の新しいアプローチを導入し、評価する。 同時に全てのノードを活性化する代わりに、この方法は種子の活性化を分配し、より高い範囲の影響が広がる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The spread of influence in networks is a topic of great importance in many application areas. For instance, one would like to maximise the coverage, limiting the budget for marketing campaign initialisation and use the potential of social influence. To tackle this and similar challenges, more than a decade ago, researchers started to investigate the influence maximisation problem. The challenge is to find the best set of initially activated seed nodes in order to maximise the influence spread in networks. In typical approach we will activate all seeds in single stage, at the beginning of the process, while in this work we introduce and evaluate a new approach for seeds activation in temporal networks based on sequential seeding. Instead of activating all nodes at the same time, this method distributes the activations of seeds, leading to higher ranges of influence spread. The results of experiments performed using real and randomised networks demonstrate that the proposed method outperforms single stage seeding in 71% of cases by nearly 6% on average. Knowing that temporal networks are an adequate choice for modelling dynamic processes, the results of this work can be interpreted as encouraging to apply temporal sequential seeding for real world cases, especially knowing that more sophisticated seed selection strategies can be implemented by using the seed activation strategy introduced in this work.
• Abstract（参考訳）: ネットワークへの影響力の拡散は、多くのアプリケーション分野において非常に重要なトピックである。 例えば、カバー範囲を最大化し、マーケティングキャンペーン初期化の予算を制限し、社会的影響の可能性を活用したいと思います。 10年以上前に、同様の課題に取り組むために、研究者は影響の最大化問題を調査し始めた。 ネットワークに広がる影響を最大化するために、最初に活性化されたシードノードの最適なセットを見つけることが課題である。 典型的アプローチでは,すべての種子を単一段階,プロセスの開始時に活性化するが,本研究では,シーケンシャルシードに基づく時間的ネットワークにおける種子活性化の新しいアプローチを紹介し,評価する。 同時に全てのノードを活性化させる代わりに、この方法は種子の活性化を分配し、より高い範囲の影響が広がる。 実ネットワークとランダムネットワークを用いて行った実験の結果,提案手法は71%の症例で1段階の播種を平均6%近く上回ることがわかった。 時間的ネットワークが動的プロセスのモデル化に適した選択であることを知り、実世界のケースに時間的シーケンシャルシードを適用することを奨励するものであり、特に本研究で導入された種活性化戦略を用いて、より洗練された種選択戦略を実装できることを知ることができる。

関連論文リスト

• Influence Maximization via Graph Neural Bandits [54.45552721334886]
  IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。 IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T17:54:33Z)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)
• MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
  セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:55:22Z)
• Understanding Influence Maximization via Higher-Order Decomposition [6.542119695695405]
  影響の最大化(IM)はここ数十年で大きな注目を集めている。 この研究は、ソボル指数を用いた個々の種子とその高次相互作用への影響を識別する。 過剰選択ノードによる現行のIMアルゴリズムの性能向上のために,SIMと呼ばれるIMアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-16T04:44:16Z)
• Provably Efficient Reinforcement Learning for Online Adaptive Influence Maximization [53.11458949694947]
  本稿では,リアルタイムフィードバックに基づいてシードノードを逐次活性化する,コンテンツ依存型オンライン影響問題の適応バージョンについて検討する。 提案アルゴリズムは,最適政策を楽観的に改善しつつ,ネットワークモデルの推定を保守し,適応的にシードを選択する。
  論文  参考訳（メタデータ） (2022-06-29T18:17:28Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• 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)
• Network Inference and Influence Maximization from Samples [20.916163957596577]
  本研究では,これらの種子の拡散を最大化するために,ソーシャルネットワーク上で少数の種子ノードを選択するタスクについて検討する。 我々は,データから拡散パラメータとネットワーク構造を学習するネットワーク推論問題に対して,カスケードの新しい解を提供する。 我々のIMSアルゴリズムは, 拡散パラメータの学習が困難な場合でも, 一定の近似比を許容することにより, 学習と最適化のアプローチを強化する。
  論文  参考訳（メタデータ） (2021-06-07T08:06:36Z)
• Influence Maximization Under Generic Threshold-based Non-submodular Model [1.5780411262109524]
  社会的影響の概念は、ソーシャルネットワークから最も影響力のあるノード(シードノード)の数を選択し、彼らが共同で最大の影響の拡散をトリガーできるようにすることです。 本稿では,ネットワークグラフを用いた一般化されたしきい値ベースモデルであるインフルエンサーバリケードモデルにおける種選択戦略を提案する。 私たちの知る限りでは、これは非サブモジュラーな影響を直接取り扱う最初のグラフベースのアプローチです。
  論文  参考訳（メタデータ） (2020-12-18T16:14:49Z)

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。