論文の概要: Influence Maximization Under Generic Threshold-based Non-submodular Model

• arxiv url: http://arxiv.org/abs/2012.12309v1
• Date: Fri, 18 Dec 2020 16:14:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:05:58.891778
• Title: Influence Maximization Under Generic Threshold-based Non-submodular Model
• Title（参考訳）: 一般しきい値に基づく非サブモジュラーモデルにおける影響最大化
• Authors: Liang Ma
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.5780411262109524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a widely observable social effect, influence diffusion refers to a process where innovations, trends, awareness, etc. spread across the network via the social impact among individuals. Motivated by such social effect, the concept of influence maximization is coined, where the goal is to select a bounded number of the most influential nodes (seed nodes) from a social network so that they can jointly trigger the maximal influence diffusion. A rich body of research in this area is performed under statistical diffusion models with provable submodularity, which essentially simplifies the problem as the optimal result can be approximated by the simple greedy search. When the diffusion models are non-submodular, however, the research community mostly focuses on how to bound/approximate them by tractable submodular functions so as to estimate the optimal result. In other words, there is still a lack of efficient methods that can directly resolve non-submodular influence maximization problems. In this regard, we fill the gap by proposing seed selection strategies using network graphical properties in a generalized threshold-based model, called influence barricade model, which is non-submodular. Specifically, under this model, we first establish theories to reveal graphical conditions that ensure the network generated by node removals has the same optimal seed set as that in the original network. We then exploit these theoretical conditions to develop efficient algorithms by strategically removing less-important nodes and selecting seeds only in the remaining network. To the best of our knowledge, this is the first graph-based approach that directly tackles non-submodular influence maximization.
• Abstract（参考訳）: 広く観察可能な社会効果として、影響拡散はイノベーション、トレンド、認識などのプロセスを指す。 個人間の社会的影響を通じて ネットワーク全体に広がります このような社会的効果によって動機づけられた影響最大化の概念は、最大影響拡散を共同で引き起こすことができるように、ソーシャルネットワークから最も影響力のあるノード(種子ノード)の有界数を選択することが目的である。 この領域における豊富な研究は、証明可能な部分モジュラリティを持つ統計拡散モデルの下で行われ、これは本質的に問題を単純化し、単純な欲求探索によって最適な結果が近似できるためである。 しかし, 拡散モデルが非部分モジュラーである場合, 研究コミュニティは, 最適結果を推定するために, 移動可能な部分モジュラー関数によってそれらを束縛・近似する方法に重点を置いている。 言い換えれば、非部分モジュラー影響の最大化問題を直接解決できる効率的な方法がまだ存在しない。 そこで本研究では,ネットワークグラフィカル特性を用いたシード選択戦略を一般化しきい値モデルで提案することで,そのギャップを埋める。 具体的には、まず、ノード除去によって生成されたネットワークが元のネットワークと同じ最適なシードセットを持つことを保証するグラフィカルな条件を明らかにする。 次に,これらの理論条件を利用して,重要でないノードを戦略的に除去し,残りのネットワークでのみ種を選択できる効率的なアルゴリズムを開発する。 我々の知る限りでは、これは非部分モジュラー影響の最大化に直接取り組む最初のグラフベースのアプローチである。

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)
• Multiple-Source Localization from a Single-Snapshot Observation Using Graph Bayesian Optimization [10.011338977476804]
  単一スナップショット観測によるマルチソースのローカライゼーションは、その頻度が原因で特に重要となる。 現在の方法は典型的には欲求選択を利用しており、通常は1つの拡散モデルと結合する。 そこで本研究では,BOSouLというシミュレーション手法を用いて,サンプル効率を近似する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-25T14:46:24Z)
• DSCom: A Data-Driven Self-Adaptive Community-Based Framework for Influence Maximization in Social Networks [3.97535858363999]
  我々は、属性ネットワーク上の問題を再構成し、ノード属性を利用して接続ノード間の近接性を推定する。 具体的には、この問題に対処するため、DSComという機械学習ベースのフレームワークを提案する。 従来の理論的研究と比較して,実世界のソーシャルネットワークに基づくパラメータ化拡散モデルを用いた実験実験を慎重に設計した。
  論文  参考訳（メタデータ） (2023-11-18T14:03:43Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• 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)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• How Tempering Fixes Data Augmentation in Bayesian Neural Networks [22.188535244056016]
  テンパリングは、拡張のモデリングから生じる誤特定を暗黙的に減らし、すなわちデータとして示す。 温度は有効サンプルサイズの役割を模倣し、増強によって提供される情報の利得を反映している。
  論文  参考訳（メタデータ） (2022-05-27T11:06:56Z)
• 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)
• 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)
• Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
  影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。 本稿では,理論的観点から,そのような手法の性能について考察する。 交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-03T15:33:10Z)

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。