論文の概要: Maximizing Social Welfare in a Competitive Diffusion Model

• arxiv url: http://arxiv.org/abs/2012.03354v1
• Date: Sun, 6 Dec 2020 19:09:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 13:55:25.454848
• Title: Maximizing Social Welfare in a Competitive Diffusion Model
• Title（参考訳）: 競争拡散モデルによる社会福祉の最大化
• Authors: Prithu Banerjee, Wei Chen, Laks V.S. Lakshmanan
• Abstract要約: UIC(IM)は、バイラルマーケティングや感染封じ込めなどの応用により、多くの注目を集めている。 少数のシードユーザを選択して採用することで,ネットワーク内の多数のユーザに普及させることを目指している。 既存の競合IMの研究にはいくつかの制限がある。
• 参考スコア（独自算出の注目度）: 19.18481967353127
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Influence maximization (IM) has garnered a lot of attention in the literature owing to applications such as viral marketing and infection containment. It aims to select a small number of seed users to adopt an item such that adoption propagates to a large number of users in the network. Competitive IM focuses on the propagation of competing items in the network. Existing works on competitive IM have several limitations. (1) They fail to incorporate economic incentives in users' decision making in item adoptions. (2) Majority of the works aim to maximize the adoption of one particular item, and ignore the collective role that different items play. (3) They focus mostly on one aspect of competition -- pure competition. To address these concerns we study competitive IM under a utility-driven propagation model called UIC, and study social welfare maximization. The problem in general is not only NP-hard but also NP-hard to approximate within any constant factor. We, therefore, devise instant dependent efficient approximation algorithms for the general case as well as a $(1-1/e-\epsilon)$-approximation algorithm for a restricted setting. Our algorithms outperform different baselines on competitive IM, both in terms of solution quality and running time on large real networks under both synthetic and real utility configurations.
• Abstract（参考訳）: インパクト最大化(IM)は、バイラルマーケティングや感染封じ込めなどの応用により、文献に多くの注目を集めている。 採用がネットワークの多くのユーザーに広まるようなアイテムを採用するために、少数のシードユーザを選択することを目指している。 競合imはネットワーク内の競合アイテムの伝播に焦点を当てている。 既存の競合IMの研究にはいくつかの制限がある。 1) 利用者の意思決定に経済的インセンティブを取り入れていない。 2) 作品の多数は, 特定の項目の採用を最大化し, 異なる項目が果たす集団的役割を無視することを目的としている。 (3) 競争の1つの側面 – 純粋な競争 – に焦点を当てています。 これらの課題に対処するため,UICと呼ばれるユーティリティ駆動型伝播モデルの下で競争的IMを研究し,社会福祉の最大化について検討する。 一般に問題は NP-ハード だけでなく、任意の定数係数内で近似する NP-ハード である。 したがって、一般の場合に対する瞬時依存の効率的な近似アルゴリズムと制限された設定に対する$(1-1/e-\epsilon)$近似アルゴリズムを考案する。 当社のアルゴリズムは、ソリューションの品質と大規模実ネットワーク上での実行時間の両方において、総合的および実効的構成の両方において、競合するim上で異なるベースラインを上回っています。

関連論文リスト

• CompeteSMoE -- Effective Training of Sparse Mixture of Experts via Competition [52.2034494666179]
  スパース・ミックス・オブ・エキスパート(SMoE)は、ネットワークの深さや幅を増大させる平均を超えた、モデルの複雑さをスケールアップする魅力的なソリューションを提供する。 本稿では,この表現崩壊の根本的な課題に対処する競合機構を提案する。 入力を最も高い神経応答を持つ専門家にのみルーティングすることにより、コンペティションが最適推定器と同じ収束率を持つことを示す。
  論文  参考訳（メタデータ） (2024-02-04T15:17:09Z)
• Communication-Efficient Decentralized Federated Learning via One-Bit Compressive Sensing [52.402550431781805]
  分散連合学習(DFL)は、様々なアプリケーションにまたがる実用性によって人気を博している。 集中型バージョンと比較して、DFLの多数のノード間で共有モデルをトレーニングするのはより難しい。 我々は,iADM (iexact alternating direction method) の枠組みに基づく新しいアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-08-31T12:22:40Z)
• Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
  マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。 実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
  論文  参考訳（メタデータ） (2022-09-30T03:40:10Z)
• GraMeR: Graph Meta Reinforcement Learning for Multi-Objective Influence Maximization [1.7311053765541482]
  インフルエンス(IM)とは、ネットワーク内のシードノードと呼ばれるノードのサブセットを特定する問題である(グラフ)。 IMには、バイラルマーケティング、疫病対策、センサー配置、その他のネットワーク関連タスクなど、数多くの応用がある。 我々は、本質的および影響的アクティベーションの両方を扱うマルコフ決定プロセスとして、一般的なIM問題を開発する。
  論文  参考訳（メタデータ） (2022-05-30T03:48:51Z)
• 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)
• The MineRL 2020 Competition on Sample Efficient Reinforcement Learning using Human Priors [62.9301667732188]
  我々は,MineRLコンペティションの第2イテレーションを提案する。 競争の主な目標は、人間のデモンストレーションを効率的に活用できるアルゴリズムの開発を促進することです。 コンペティションは、データセットと環境のペアバージョンが複数提供される2ラウンドで構成されている。 各ラウンドの終わりに、競合他社はコンテナ化された学習アルゴリズムをaicrowdプラットフォームに提出する。
  論文  参考訳（メタデータ） (2021-01-26T20:32:30Z)
• The Best of Many Worlds: Dual Mirror Descent for Online Allocation Problems [7.433931244705934]
  本稿では,意思決定者に対して未知の入力モデルを用いて,各要求に対する報酬とリソース消費を生成するデータ駆動型設定について考察する。 様々な入力モデルにおいて,どの入力に直面するかを知ることなく,優れた性能が得られるアルゴリズムの一般クラスを設計する。 我々のアルゴリズムはラグランジアン双対空間で動作し、オンラインミラー降下を用いて更新される各リソースに対して双対乗算器を保持する。
  論文  参考訳（メタデータ） (2020-11-18T18:39:17Z)
• Competing Bandits: The Perils of Exploration Under Competition [99.68537519404727]
  オンラインプラットフォーム上での探索と競争の相互作用について検討する。 私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。 競争を弱めるための2つのチャンネルについて検討する。
  論文  参考訳（メタデータ） (2020-07-20T14:19:08Z)
• Regularized Online Allocation Problems: Fairness and Beyond [7.433931244705934]
  本稿では, 総資源消費に作用する非線形正規化器を含む変種である, 語彙化オンライン割当問題を紹介する。 この問題では、要求は時間とともに繰り返し届き、各要求に対して、意思決定者は報酬を生成しリソースを消費するアクションを取る必要があります。 目的は、資源制約を受ける加算可分な報酬と非分離可正則化器の値とを同時に最大化することである。
  論文  参考訳（メタデータ） (2020-07-01T14:24:58Z)
• Online Competitive Influence Maximization [46.08146352395603]
  競合する2つのアイテムが同じネットワークで伝播し、エッジへの影響が不明な新しいオンライン競合影響最大化(OCIM)問題を導入する。 我々はOCIMにCMAB(Multi-armed bandit)フレームワークを採用するが、非競合的な設定とは異なり、重要な単調性(エッジの確率が増加すると影響が広がる)は伝播の競争性によってもはや維持されない。
  論文  参考訳（メタデータ） (2020-06-24T01:11:02Z)

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。