論文の概要: IM-META: Influence Maximization Using Node Metadata in Networks With
Unknown Topology
- arxiv url: http://arxiv.org/abs/2106.02926v3
- Date: Tue, 6 Feb 2024 13:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 21:53:22.450545
- Title: IM-META: Influence Maximization Using Node Metadata in Networks With
Unknown Topology
- Title(参考訳): IM-META:未知位相をもつネットワークにおけるノードメタデータによる影響最大化
- Authors: Cong Tran, Won-Yong Shin, Andreas Spitz
- Abstract要約: 本稿では,クエリやノードメタデータから情報を取得することで,未知のトポロジを持つネットワークにおけるIM(influence)の解決法を提案する。
IM-METAでは,1)ニューラルネットワークを用いて収集したメタデータとエッジの関係を学習し,2)強化グラフを構築するために複数の推測された自信のあるエッジを選択し,3)推論された影響の広がりを最大化してクエリの次のノードを同定する。
- 参考スコア(独自算出の注目度): 13.704584231053675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since the structure of complex networks is often unknown, we may identify the
most influential seed nodes by exploring only a part of the underlying network,
given a small budget for node queries. We propose IM-META, a solution to
influence maximization (IM) in networks with unknown topology by retrieving
information from queries and node metadata. Since using such metadata is not
without risk due to the noisy nature of metadata and uncertainties in
connectivity inference, we formulate a new IM problem that aims to find both
seed nodes and queried nodes. In IM-META, we develop an effective method that
iteratively performs three steps: 1) we learn the relationship between
collected metadata and edges via a Siamese neural network, 2) we select a
number of inferred confident edges to construct a reinforced graph, and 3) we
identify the next node to query by maximizing the inferred influence spread
using our topology-aware ranking strategy. Through experimental evaluation of
IM-META on four real-world datasets, we demonstrate a) the speed of network
exploration via node queries, b) the effectiveness of each module, c) the
superiority over benchmark methods, d) the robustness to more difficult
settings, e) the hyperparameter sensitivity, and f) the scalability.
- Abstract(参考訳): 複雑なネットワークの構造はしばしば不明であるため、ノードクエリの予算が小さいため、基盤となるネットワークの一部のみを探索することで、最も影響力のあるシードノードを特定することができる。
本稿では、クエリやノードメタデータから情報を取得することで、未知のトポロジを持つネットワークにおける最大化(IM)に影響を与えるソリューションであるIM-METAを提案する。
このようなメタデータの使用は、メタデータのノイズ性や接続性推論の不確実性のため、リスクがないため、シードノードとクエリノードの両方を見つけることを目的とした新しいIM問題を定式化する。
IM-METAでは,3つのステップを反復的に行う効果的な手法を開発した。
1) 収集したメタデータとエッジの関係を, シームズニューラルネットワークを用いて学習する。
2) 強化グラフを構築するために, 多数の不確かさエッジを選択する。
3)我々のトポロジ対応ランキング戦略を用いて,推定影響の最大化により,クエリの次のノードを特定する。
実世界の4つのデータセットにおけるim-metaの実験的評価を通して,その実証を行った。
a)ノードクエリによるネットワーク探索の速度
b) 各モジュールの有効性
c) ベンチマーク手法に対する優位性
d) より困難な設定に対する堅牢性
e)ハイパーパラメータの感度,及び
f)スケーラビリティ。
関連論文リスト
- Learning State-Augmented Policies for Information Routing in
Communication Networks [92.59624401684083]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2023-09-30T04:34:25Z) - A Unified Framework for Exploratory Learning-Aided Community Detection
Under Topological Uncertainty [16.280950663982107]
META-CODEは、ソーシャルネットワークにおける重複コミュニティを検出する統合フレームワークである。
1)新たな再構築損失によってトレーニングされたグラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,2)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,3)エッジ接続に基づくSiameseニューラルネットワークモデルを用いたネットワーク推論,の3つのステップで構成されている。
論文 参考訳(メタデータ) (2023-04-10T10:22:21Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - GraMeR: Graph Meta Reinforcement Learning for Multi-Objective Influence
Maximization [1.7311053765541482]
インフルエンス(IM)とは、ネットワーク内のシードノードと呼ばれるノードのサブセットを特定する問題である(グラフ)。
IMには、バイラルマーケティング、疫病対策、センサー配置、その他のネットワーク関連タスクなど、数多くの応用がある。
我々は、本質的および影響的アクティベーションの両方を扱うマルコフ決定プロセスとして、一般的なIM問題を開発する。
論文 参考訳(メタデータ) (2022-05-30T03:48:51Z) - mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for
Heterogeneous Information Network Embedding [15.400191040779376]
不均一情報ネットワーク(HIN)は、明示的なネットワーク構造を用いて、豊富な情報を持つオブジェクトをモデル化するために用いられる。
従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適である。
mSHINEは、異なるメタパスのための複数のノード表現を同時に学習するように設計されている。
論文 参考訳(メタデータ) (2021-04-06T11:35:56Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳(メタデータ) (2021-01-06T03:05:37Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳(メタデータ) (2020-12-18T18:06:43Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳(メタデータ) (2020-06-23T04:13:23Z) - Neighborhood Information-based Probabilistic Algorithm for Network
Disintegration [7.511240139514371]
本稿では,近隣情報とノードの重要度に基づく確率的アプローチを提案する。
新たな中心性に基づく重要度尺度(IM)も定義する。
実験の結果,提案したNIPAは4つの手法の中で最も有効であることが示唆された。
論文 参考訳(メタデータ) (2020-03-08T15:09:25Z)
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。