論文の概要: Kernel-Based Models for Influence Maximization on Graphs based on Gaussian Process Variance Minimization

• arxiv url: http://arxiv.org/abs/2103.01575v1
• Date: Tue, 2 Mar 2021 08:55:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 15:41:05.492979
• Title: Kernel-Based Models for Influence Maximization on Graphs based on Gaussian Process Variance Minimization
• Title（参考訳）: ガウス過程分散最小化に基づくグラフへの影響最大化のためのカーネルモデル
• Authors: Salvatore Cuomo and Wolfgang Erb and Gabriele Santin
• Abstract要約: グラフ上の新しい影響モデル(IM)の導入と検討を行う。 データ駆動アプローチは、このIMモデルの適切なカーネルを決定するために適用することができる。 この分野でコストのかかるモンテカルロシミュレーションに依存するモデルと比較して、我々のモデルはシンプルでコスト効率のよい更新戦略を可能にする。
• 参考スコア（独自算出の注目度）: 9.357483974291899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The inference of novel knowledge, the discovery of hidden patterns, and the uncovering of insights from large amounts of data from a multitude of sources make Data Science (DS) to an art rather than just a mere scientific discipline. The study and design of mathematical models able to analyze information represents a central research topic in DS. In this work, we introduce and investigate a novel model for influence maximization (IM) on graphs using ideas from kernel-based approximation, Gaussian process regression, and the minimization of a corresponding variance term. Data-driven approaches can be applied to determine proper kernels for this IM model and machine learning methodologies are adopted to tune the model parameters. Compared to stochastic models in this field that rely on costly Monte-Carlo simulations, our model allows for a simple and cost-efficient update strategy to compute optimal influencing nodes on a graph. In several numerical experiments, we show the properties and benefits of this new model.
• Abstract（参考訳）: 新しい知識の推論、隠されたパターンの発見、および多数のソースからの大量のデータからの洞察の発見は、単に科学的な分野ではなく、データサイエンス(DS)を芸術にします。 情報解析が可能な数理モデルの研究と設計はdsの中心的な研究テーマである。 本研究では,カーネル・ベース近似,ガウス過程回帰,対応する分散項の最小化といった考え方を用いて,グラフに対する影響最大化(im)の新しいモデルを紹介し,検討する。 このIMモデルの適切なカーネルを決定するためにデータ駆動アプローチを適用することができ、モデルパラメータをチューニングするために機械学習手法が採用される。 コストのかかるモンテカルロシミュレーションに依拠するこの分野の確率モデルと比較して,本モデルは,グラフ上のノードの最適影響を計算するための,単純かつ費用効率の高い更新戦略を可能にする。 いくつかの数値実験では、この新しいモデルの特性と利点を示す。

関連論文リスト

• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• Sparse Graphical Linear Dynamical Systems [1.6635799895254402]
  時系列データセットは機械学習の中心であり、科学と工学の様々な分野に応用されている。 本研究は,共同グラフィカル・モデリング・フレームワークを導入することでギャップを埋める新しい手法を提案する。 本稿では,DGLASSOを提案する。DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO。
  論文  参考訳（メタデータ） (2023-07-06T14:10:02Z)
• Interpretable and Scalable Graphical Models for Complex Spatio-temporal Processes [3.469001874498102]
  論文は、複雑な時間構造を持つデータと、解釈可能かつ解釈可能な方法で構造を学ぶ確率的グラフィカルモデルに焦点を当てている。 この方法論の実践的応用は、実際のデータセットを用いて検討される。 これには、データを用いた脳接続分析、太陽画像データを用いた宇宙天気予報、Twitterデータを用いた世論の縦断的分析、TalkLifeデータを用いたメンタルヘルス関連の問題のマイニングが含まれる。
  論文  参考訳（メタデータ） (2023-01-15T05:39:30Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• On the Influence of Enforcing Model Identifiability on Learning dynamics of Gaussian Mixture Models [14.759688428864159]
  特異モデルからサブモデルを抽出する手法を提案する。 本手法はトレーニング中のモデルの識別性を強制する。 この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-06-17T07:50:22Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Adversarial Stein Training for Graph Energy Models [11.182263394122142]
  我々は、多チャネルグラフニューラルネットワーク(GNN)に基づくエネルギーベースモデル(EBM)を用いて、グラフ上の不変な非正規化密度関数の置換を学習する。 提案手法は,ベンチマークモデルと比較して,グラフ生成における競合的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-08-30T03:55:18Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)

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。