論文の概要: Learning Parameters for Balanced Index Influence Maximization
- arxiv url: http://arxiv.org/abs/2012.08067v1
- Date: Tue, 15 Dec 2020 03:30:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 12:04:39.899213
- Title: Learning Parameters for Balanced Index Influence Maximization
- Title(参考訳): バランスインデックス影響最大化のための学習パラメータ
- Authors: Manqing Ma, Gyorgy Korniss, Boleslaw K. Szymanski
- Abstract要約: 我々は、与えられたネットワーク構造にその性能をチューニングするために3つのパラメータに依存するitバランスインデックスアルゴリズムにフォーカスする。
与えられた合成および大規模実世界のネットワークから小さなスナップショットを作成する。
スナップショット上で機械学習モデルをトレーニングし、このモデルを実単語ネットワークに適用して最適なbiパラメータを見つけます。
- 参考スコア(独自算出の注目度): 0.45119235878273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Influence maximization is the task of finding the smallest set of nodes whose
activation in a social network can trigger an activation cascade that reaches
the targeted network coverage, where threshold rules determine the outcome of
influence. This problem is NP-hard and it has generated a significant amount of
recent research on finding efficient heuristics. We focus on a {\it Balance
Index} algorithm that relies on three parameters to tune its performance to the
given network structure. We propose using a supervised machine-learning
approach for such tuning. We select the most influential graph features for the
parameter tuning. Then, using random-walk-based graph-sampling, we create small
snapshots from the given synthetic and large-scale real-world networks. Using
exhaustive search, we find for these snapshots the high accuracy values of BI
parameters to use as a ground truth. Then, we train our machine-learning model
on the snapshots and apply this model to the real-word network to find the best
BI parameters. We apply these parameters to the sampled real-world network to
measure the quality of the sets of initiators found this way. We use various
real-world networks to validate our approach against other heuristic.
- Abstract(参考訳): 影響最大化(英語: Influence maximization)とは、ソーシャルネットワークでアクティベーションを行うノードの最小セットを見つけるタスクであり、ターゲットネットワークのカバレッジに達するアクティベーションカスケードをトリガーし、しきい値ルールが影響の結果を決定する。
この問題はNPハードであり、効率的なヒューリスティックの発見に関する最近の研究のかなりの数を生み出している。
本稿では,その性能を所定のネットワーク構造に合わせるために,3つのパラメータに依存するアルゴリズムに焦点をあてる。
このようなチューニングのために教師付き機械学習アプローチを提案する。
パラメータチューニングにおいて最も影響力のあるグラフ機能を選択する。
そして、ランダムウォークに基づくグラフサンプリングを用いて、与えられた合成および大規模現実世界ネットワークから小さなスナップショットを作成する。
徹底的な検索を用いて,biパラメータの高精度値を基礎的真理として使用するスナップショットを求める。
そして、スナップショット上で機械学習モデルをトレーニングし、このモデルを実単語ネットワークに適用して最適なbiパラメータを見つけます。
これらのパラメータを実世界のサンプルネットワークに適用し、この方法で得られた開始子の集合の質を測定する。
我々は、他のヒューリスティックに対するアプローチを検証するために、様々な現実世界のネットワークを使用します。
関連論文リスト
- On Parametric Optimal Execution and Machine Learning Surrogates [4.894243551960491]
本稿では, 瞬時価格影響とレジリエンスによる最適実行問題について検討する。
本研究では,値関数とフィードバック制御のための2つのニューラルネットワークサロゲートを構成するアクタ批判フレームワークを開発する。
我々のパラメトリックニューラルネットワーク(NN)学習者は3-6の入力次元にわたってスケールし、正確な最適戦略を示す。
論文 参考訳(メタデータ) (2022-04-18T22:40:14Z) - Improving Parametric Neural Networks for High-Energy Physics (and
Beyond) [0.0]
本研究の目的は,現実世界の使用状況に照らして,パラメトリックニューラルネットワーク(pNN)ネットワークの理解を深めることである。
本稿では,新しいパラメータ化ニューラルネットワークアーキテクチャであるAffinePNNを提案する。
我々は、その不均衡バージョン(HEPMASS-IMB)に沿って、HEPMASSデータセット上で、我々のモデルを広範囲に評価する。
論文 参考訳(メタデータ) (2022-02-01T14:18:43Z) - Enhanced Exploration in Neural Feature Selection for Deep Click-Through
Rate Prediction Models via Ensemble of Gating Layers [7.381829794276824]
神経機能選択(NFS)の目標は、最も説明力のある比較的小さな機能のサブセットを選択することである。
ゲーティングアプローチは、情報の少ない特徴をドロップするために、識別可能なバイナリゲートのセットを挿入する。
勾配に基づく解の探索能力を向上させるために,単純だが効果的なアンサンブル学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-07T04:37:05Z) - Neural Architecture Search for Efficient Uncalibrated Deep Photometric
Stereo [105.05232615226602]
差別化可能なニューラルアーキテクチャサーチ(NAS)戦略を利用して、非校正型PSアーキテクチャを自動的に見つける。
DiLiGenTデータセットの実験では、自動検索されたニューラルネットワークのパフォーマンスが、最先端の未校正PSメソッドと好適に比較されている。
論文 参考訳(メタデータ) (2021-10-11T21:22:17Z) - Neural network relief: a pruning algorithm based on neural activity [68.12222731020694]
重要でない接続を非活性化する簡易な重要スコア計量を提案する。
MNIST上でのLeNetアーキテクチャの性能に匹敵する性能を実現する。
このアルゴリズムは、現在のハードウェアとソフトウェアの実装を考えるとき、FLOPを最小化するように設計されていない。
論文 参考訳(メタデータ) (2021-09-22T15:33:49Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T15:39:52Z) - 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) - Targeted Attack against Deep Neural Networks via Flipping Limited Weight
Bits [55.740716446995805]
我々は,悪質な目的で展開段階におけるモデルパラメータを修飾する新しい攻撃パラダイムについて検討する。
私たちのゴールは、特定のサンプルをサンプル修正なしでターゲットクラスに誤分類することです。
整数プログラミングにおける最新の手法を利用することで、このBIP問題を連続最適化問題として等価に再構成する。
論文 参考訳(メタデータ) (2021-02-21T03:13:27Z) - Neural BRDF Representation and Importance Sampling [79.84316447473873]
本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。
BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。
複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
論文 参考訳(メタデータ) (2021-02-11T12:00:24Z) - Mutually exciting point process graphs for modelling dynamic networks [0.0]
相互励起点過程グラフ(MEG)と呼ばれる動的ネットワークのための新しいモデルのクラスが提案される。
MEGは、Dyadicマーク付きポイントプロセスのためのスケーラブルなネットワークワイド統計モデルであり、異常検出に使用できる。
このモデルはシミュレーショングラフと実世界のコンピュータネットワークデータセット上でテストされ、優れた性能を示す。
論文 参考訳(メタデータ) (2021-02-11T10:14:55Z) - SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D
Semantic Segmentation [65.96170587706148]
3dポイントクラウドセマンティクスセグメンテーションのためのパラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。
グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
論文 参考訳(メタデータ) (2020-12-29T20:16:37Z)
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。