論文の概要: Information Interaction Profile of Choice Adoption
- arxiv url: http://arxiv.org/abs/2104.13695v1
- Date: Wed, 28 Apr 2021 10:42:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 17:31:41.892176
- Title: Information Interaction Profile of Choice Adoption
- Title（参考訳）: 選択採用の情報交流プロファイル
- Authors: Ga\"el Poux-M\'edard and Julien Velcin and Sabine Loudcher
- Abstract要約: 相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。
相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。
ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
- 参考スコア（独自算出の注目度）: 2.9972063833424216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interactions between pieces of information (entities) play a substantial role
in the way an individual acts on them: adoption of a product, the spread of
news, strategy choice, etc. However, the underlying interaction mechanisms are
often unknown and have been little explored in the literature. We introduce an
efficient method to infer both the entities interaction network and its
evolution according to the temporal distance separating interacting entities;
together, they form the interaction profile. The interaction profile allows
characterizing the mechanisms of the interaction processes. We approach this
problem via a convex model based on recent advances in multi-kernel inference.
We consider an ordered sequence of exposures to entities (URL, ads, situations)
and the actions the user exerts on them (share, click, decision). We study how
users exhibit different behaviors according to combinations of exposures they
have been exposed to. We show that the effect of a combination of exposures on
a user is more than the sum of each exposure's independent effect--there is an
interaction. We reduce this modeling to a non-parametric convex optimization
problem that can be solved in parallel. Our method recovers state-of-the-art
results on interaction processes on three real-world datasets and outperforms
baselines in the inference of the underlying data generation mechanisms.
Finally, we show that interaction profiles can be visualized intuitively,
easing the interpretation of the model.
- Abstract（参考訳）: 情報の断片(エンティティ)間の相互作用は、製品の採用、ニュースの拡散、戦略の選択など、個人の行動の仕方において重要な役割を果たす。
しかし、基礎となる相互作用機構はよく分かっておらず、文献ではほとんど研究されていない。
本稿では,相互作用するエンティティを分離する時間的距離に応じて,相互作用ネットワークとその進化を推論する効率的な手法を提案する。
相互作用プロファイルは、相互作用プロセスのメカニズムを特徴づけることができる。
マルチカーネル推論の最近の進歩に基づいて凸モデルを用いてこの問題にアプローチする。
エンティティ(url、広告、状況)への露光順序と、ユーザがそれに対して行うアクション(共有、クリック、決定)について検討する。
本研究では,曝露の組合せによってユーザが異なる行動を示す方法を検討する。
ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
我々はこのモデリングを並列に解くことができる非パラメトリック凸最適化問題に還元する。
提案手法は,3つの実世界のデータセット上でのインタラクションプロセスの状態を復元し,基礎となるデータ生成機構の推論においてベースラインを上回ります。
最後に,インタラクションプロファイルを直感的に視覚化することで,モデルの解釈を緩和できることを示す。
関連論文リスト
- InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。
提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-11-15T00:20:36Z) - LEMON: Learning 3D Human-Object Interaction Relation from 2D Images [56.6123961391372]
人間の物体と物体の相互作用関係の学習は、AIと相互作用モデリングの具体化に不可欠である。
既存のほとんどの手法は、孤立した相互作用要素を予測することを学ぶことで目標に近づいている。
本稿では,相互の相互作用意図をマイニングし,幾何相関の抽出を導出するための曲率を用いた統一モデルLEMONを提案する。
論文 参考訳（メタデータ） (2023-12-14T14:10:57Z) - Disentangled Interaction Representation for One-Stage Human-Object
Interaction Detection [70.96299509159981]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、人間中心の画像理解のコアタスクである。
最近のワンステージ手法では、対話予測に有用な画像ワイドキューの収集にトランスフォーマーデコーダを採用している。
従来の2段階の手法は、非絡み合いで説明可能な方法で相互作用特徴を構成する能力から大きな恩恵を受ける。
論文 参考訳（メタデータ） (2023-12-04T08:02:59Z) - Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。
提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。
全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
論文 参考訳（メタデータ） (2023-04-30T19:45:04Z) - Interaction Transformer for Human Reaction Generation [61.22481606720487]
本稿では,時間的,空間的両方の注意を持つトランスフォーマーネットワークからなる対話型トランスフォーマー(InterFormer)を提案する。
我々の手法は一般的であり、より複雑で長期的な相互作用を生成するのに利用できる。
論文 参考訳（メタデータ） (2022-07-04T19:30:41Z) - REPID: Regional Effect Plots with implicit Interaction Detection [0.9023847175654603]
解釈可能な機械学習手法は、限界特徴効果を可視化するが、特徴相互作用が存在する場合の誤解を招く可能性がある。
興味のある特徴と他の特徴との相互作用を検出する新しいフレームワークである暗黙の相互作用検出を導入する。
このフレームワークはまた、相互作用の強さを定量化し、特徴効果をより確実に解釈できる解釈可能な異なる領域を提供する。
論文 参考訳（メタデータ） (2022-02-15T08:54:00Z) - Dynamic Representation Learning with Temporal Point Processes for
Higher-Order Interaction Forecasting [8.680676599607123]
本稿では,これらの問題に対処するためのハイパーエッジ予測のための時間点プロセスモデルを提案する。
私たちの知る限りでは、動的ネットワークのハイパーエッジを予測するために時間点プロセスを使った最初の研究である。
論文 参考訳（メタデータ） (2021-12-19T14:24:37Z) - SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian
Trajectory Prediction [59.064925464991056]
ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。
SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。
公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
論文 参考訳（メタデータ） (2021-12-05T01:49:18Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z) - COMET: Convolutional Dimension Interaction for Collaborative Filtering [16.799611667681233]
本稿では,歴史的相互作用と埋め込み次元の高次相互作用パターンを同時にモデル化するCOMETと呼ばれる新しい潜在因子モデルを提案する。
具体的には、COMETは、最初は歴史的相互作用の埋め込みを水平に積み重ね、結果として2つの「埋め込みマップ」となる。
このようにして、内部相互作用と次元相互作用は、異なる大きさのカーネルを持つ畳み込みニューラルネットワークによって同時に利用することができる。
論文 参考訳（メタデータ） (2020-07-28T11:18:36Z) - Interactions in information spread: quantification and interpretation
using stochastic block models [3.5450828190071655]
ソーシャルネットワークでは、ユーザーの行動は、対話する人々、フィード内のニュース、トレンドトピックから生じる。
本稿では、エンティティ間のインタラクションの役割を調査する新しいモデル、Interactive Mixed Membership Block Model (IMMSBM)を提案する。
推論タスクでは、それらを考慮すれば、結果の確率の最大150%の非相互作用モデルに対する平均的な相対的な変化につながる。
論文 参考訳（メタデータ） (2020-04-09T14:22:10Z)
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。