論文の概要: Graph-Aware Evolutionary Algorithms for Influence Maximization

• arxiv url: http://arxiv.org/abs/2104.14909v1
• Date: Fri, 30 Apr 2021 11:15:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-01 23:52:07.463107
• Title: Graph-Aware Evolutionary Algorithms for Influence Maximization
• Title（参考訳）: 影響最大化のためのグラフ認識進化アルゴリズム
• Authors: Kateryna Konotopska, Giovanni Iacca
• Abstract要約: いわゆる影響最大化(IM)問題について検討する。 最大情報拡散につながるソーシャルネットワーク内のノードの集合を見つけることは、迫る疑問である。 進化的アルゴリズム (EA) に基づくいくつかのアプローチが提案されているが、グラフサイズに乏しくスケールすることが知られている。
• 参考スコア（独自算出の注目度）: 5.254093731341154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social networks represent nowadays in many contexts the main source of information transmission and the way opinions and actions are influenced. For instance, generic advertisements are way less powerful than suggestions from our contacts. However, this process hugely depends on the influence of people who disseminate these suggestions. Therefore modern marketing often involves paying some targeted users, or influencers, for advertising products or ideas. Finding the set of nodes in a social network that lead to the highest information spread -- the so-called Influence Maximization (IM) problem -- is therefore a pressing question and as such it has recently attracted a great research interest. In particular, several approaches based on Evolutionary Algorithms (EAs) have been proposed, although they are known to scale poorly with the graph size. In this paper, we tackle this limitation in two ways. Firstly, we use approximate fitness functions to speed up the EA. Secondly, we include into the EA various graph-aware mechanisms, such as smart initialization, custom mutations and node filtering, to facilitate the EA convergence. Our experiments show that the proposed modifications allow to obtain a relevant runtime gain and also improve, in some cases, the spread results.
• Abstract（参考訳）: ソーシャルネットワークは、現在多くの文脈で情報伝達の主要な源であり、意見や行動に影響を与えている。 例えば、一般的な広告は私たちの連絡先からの提案よりも強力ではない。 しかし、このプロセスはこれらの提案を広める人々の影響力に大きく依存する。 そのため、現代のマーケティングでは、ターゲットとするユーザーやインフルエンサーに広告商品やアイデアを支払うことがしばしばある。 そのため、最も高い情報拡散につながるソーシャルネットワークのノード群を見つけること -- いわゆるインフルエンス・最大化(IM)問題 — は、急激な問題であり、近年、大きな研究関心を集めている。 特に、進化的アルゴリズム(EA)に基づくいくつかのアプローチが提案されているが、グラフサイズに乏しくスケールすることが知られている。 本稿では,この制限を2つの方法で解決する。 まず、近似フィットネス関数を用いてEAを高速化する。 第2に、EAの収束を促進するために、スマート初期化、カスタム突然変異、ノードフィルタリングなど、EAの様々なグラフ対応メカニズムを含めます。 実験の結果,提案する修正により,関連するランタイム利得を得ることができ,場合によってはスプレッド結果も改善できることがわかった。

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)
• Influence Maximization in Hypergraphs using Multi-Objective Evolutionary Algorithms [2.726292320658314]
  影響最大化(IM)問題はグラフ上のよく知られたNPハード問題である。 ハイパーグラフ上のIM問題に対する多目的EAを提案する。
  論文  参考訳（メタデータ） (2024-05-16T15:31:28Z)
• Many-Objective Evolutionary Influence Maximization: Balancing Spread, Budget, Fairness, and Time [3.195234044113248]
  インフルエンス・最大化(IM)問題は、情報伝達を最大限に広めることのできるグラフ内のノードの集合を見つけ出そうとする。 この問題はNPハードであることが知られており、通常は第2の目的を最適化する影響(スプレッド)を最大化して研究される。 本研究では,シードセットサイズの影響と最小化に基づいて,予算の公平性,コミュニティ,時間といったIM固有の目的関数を最適化した最初のケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-03-27T16:54:45Z)
• Graph Bayesian Optimization for Multiplex Influence Maximization [9.155955744238852]
  インフルエンス(IM)とは、ソーシャルネットワーク内の初期影響力のあるユーザ数を限定的に特定し、影響力のあるユーザ数を最大化する問題である。 これまでの研究は主に、複数の情報項目の同時的かつインタラクティブな拡散を無視して、個々の情報伝達に焦点を当ててきた。 本稿では,情報関連機構を持つ拡散モデルを用いて,まず多重化最大化(Multi-IM)問題を定式化する。
  論文  参考訳（メタデータ） (2024-03-25T14:50:01Z)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• Influence Maximization (IM) in Complex Networks with Limited Visibility Using Statistical Methods [2.320417845168326]
  影響文学(IM)問題はNP完全問題(NP完全問題)として知られており、時間内に解が存在しない。 この複雑さを改善するために提案された手法のほとんどは、グラフ全体が見えるという仮定に基づいている。 本研究では,リンク予測手法による現在の手法を擬似可視グラフに拡張する。
  論文  参考訳（メタデータ） (2022-08-28T07:55:54Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
  インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。 本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。 最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
  論文  参考訳（メタデータ） (2021-06-13T16:42:22Z)
• Adversarial Graph Embeddings for Fair Influence Maximization over Social Networks [32.795094910922614]
  埋め込みのための自動エンコーダと、センシティブな属性を識別するための識別器を共同で訓練する。 次に、埋め込みをクラスタ化することで、良い初期セットを見つけます。 通常、公正性と影響対象との間にはトレードオフがあるが、我々の合成および実世界のデータセットに関する実験は、我々のアプローチが相違を劇的に減少させることを示している。
  論文  参考訳（メタデータ） (2020-05-08T14:50:12Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。