論文の概要: Schemes of Propagation Models and Source Estimators for Rumor Source
Detection in Online Social Networks: A Short Survey of a Decade of Research
- arxiv url: http://arxiv.org/abs/2101.00753v1
- Date: Mon, 4 Jan 2021 03:34:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 22:50:13.393541
- Title: Schemes of Propagation Models and Source Estimators for Rumor Source
Detection in Online Social Networks: A Short Survey of a Decade of Research
- Title（参考訳）: オンラインソーシャルネットワークにおける情報発信源検出のための伝搬モデルと震源推定器のスキーム:研究の10年を振り返って
- Authors: Rong Jin and Weili Wu
- Abstract要約: 拡散モデルは、ネットワークにおけるソース検出にとって非常に重要かつ挑戦可能な要素であると考えられる。
本稿では, 個別カスケード型, 流行型, 学習型の3つの代表的なスキームを概説し, うわさ伝播のパターンをモデル化する。
- 参考スコア（独自算出の注目度）: 46.40445316832167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have seen various rumor diffusion models being assumed in
detection of rumor source research of the online social network. Diffusion
model is arguably considered as a very important and challengeable factor for
source detection in networks but it is less studied. This paper provides an
overview of three representative schemes of Independent Cascade-based,
Epidemic-based, and Learning-based to model the patterns of rumor propagation
as well as three major schemes of estimators for rumor sources since its
inception a decade ago.
- Abstract（参考訳）: 近年,様々な噂拡散モデルが,オンラインソーシャルネットワークの噂ソース調査の検出に利用されてきた。
拡散モデルは、ネットワークにおけるソース検出において非常に重要かつ挑戦可能な要素であると考えられるが、研究は少ない。
本稿では,10年前の情報伝達のパターンをモデル化するカスケード型,流行型,学習型の3つの代表的なスキームの概要と,10年前の情報発信源推定器の3つの主要なスキームについて述べる。
関連論文リスト
- Theoretical research on generative diffusion models: an overview [0.0]
生成拡散モデルは、強力な理論的背景を持つ多くの分野で高い成功を収めた。
データ分布をノイズに変換し、ノイズを取り除き、同様の分布を得る。
論文 参考訳（メタデータ） (2024-04-13T14:08:56Z) - Diffusion Models for Reinforcement Learning: A Survey [22.670096541841325]
拡散モデルは、サンプルの品質と訓練安定性において、以前の生成モデルを上回る。
最近の研究は、強化学習(RL)ソリューションの改善における拡散モデルの利点を示している。
この調査は、この新興分野の概要を提供し、新たな研究の道のりを刺激することを目的としている。
論文 参考訳（メタデータ） (2023-11-02T13:23:39Z) - Examining the Limitations of Computational Rumor Detection Models Trained on Static Datasets [30.315424983805087]
本稿では,コンテンツとコンテキストベースモデルのパフォーマンスギャップを詳細に評価する。
我々の経験的結果は、コンテキストベースのモデルは、まだ噂のソース投稿から得られた情報に過度に依存していることを示している。
実験結果に基づき,静的データセットにおける時間的概念ドリフトの影響を最小限に抑えるための実践的な提案を行った。
論文 参考訳（メタデータ） (2023-09-20T18:27:19Z) - Diffusion-based 3D Object Detection with Random Boxes [58.43022365393569]
既存のアンカーベースの3D検出方法は、アンカーの実証的な設定に依存しており、アルゴリズムはエレガンスを欠いている。
提案するDiff3Detは,検出ボックスを生成対象として考慮し,拡散モデルから3次元オブジェクト検出のための提案生成へ移行する。
推論段階では、モデルは予測結果にランダムボックスのセットを徐々に洗練する。
論文 参考訳（メタデータ） (2023-09-05T08:49:53Z) - Diffusion Models in Vision: A Survey [80.82832715884597]
拡散モデルは、前方拡散段階と逆拡散段階の2つの段階に基づく深層生成モデルである。
拡散モデルは、既知の計算負荷にもかかわらず、生成したサンプルの品質と多様性に対して広く評価されている。
論文 参考訳（メタデータ） (2022-09-10T22:00:30Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳（メタデータ） (2022-09-06T16:56:21Z) - Research Status of Deep Learning Methods for Rumor Detection [2.8837214828894435]
本稿では, 特徴選択, モデル構造, 研究手法の3つの視点から, 噂検出の研究状況を分析する。
本研究は,30の作品を,伝播木,敵対学習,クロスドメイン手法,マルチタスク学習,教師なし・半教師付き手法,ベースナレッジグラフなど7つの噂検出手法にまとめる。
論文 参考訳（メタデータ） (2022-04-25T10:21:23Z) - Proofs of network quantum nonlocality aided by machine learning [68.8204255655161]
我々は[DOI40103/PhysRevLett.123.140]の量子三角形分布の族が、元の証明よりも広い範囲の三角形局所モデルを認めていないことを示した。
我々は、独立な利害関係を持つ二項結果を持つ三角形のシナリオに対して、ネットワークベルの不等式を大量に収集する。
論文 参考訳（メタデータ） (2022-03-30T18:00:00Z) - Diffusion Source Identification on Networks with Statistical Confidence [12.805268849262246]
拡散源同定のための統計的枠組みを導入し,仮説テストに着想を得た信頼セット推論手法を開発した。
提案手法は,特定の信頼度を持つノードを確実にカバーするノードの小さなサブセットを効率よく生成する。
これは一般ネットワークにおける理論的保証を実質的に有益とする最初の拡散源同定法である。
論文 参考訳（メタデータ） (2021-06-09T04:21:03Z) - Rumor Detection on Social Media with Bi-Directional Graph Convolutional
Networks [89.13567439679709]
本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。
これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
論文 参考訳（メタデータ） (2020-01-17T15:12:08Z)
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。