論文の概要: Incomplete Gamma Integrals for Deep Cascade Prediction using Content, Network, and Exogenous Signals

• arxiv url: http://arxiv.org/abs/2106.07012v1
• Date: Sun, 13 Jun 2021 14:44:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-16 09:46:01.143435
• Title: Incomplete Gamma Integrals for Deep Cascade Prediction using Content, Network, and Exogenous Signals
• Title（参考訳）: コンテンツ、ネットワーク、外因性信号を用いたディープカスケード予測のための不完全ガンマ積分
• Authors: Subhabrata Dutta, Shravika Mittal, Dipankar Das, Soumen Chakrabarti, Tanmoy Chakraborty
• Abstract要約: カスケードデータの2つの重要な時間的信号が,我々の知識に強調されていないか報告されていない。 本稿では,時間的パラメトリック関数として新しいカスケード成長モデルであるGammaCasを提案する。 具体的には、その状態がカスケードレート関数のパラメータを提供する、カスタマイズされたリカレントネットワークを介してこれらの信号を処理する。
• 参考スコア（独自算出の注目度）: 30.959353518914366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The behaviour of information cascades (such as retweets) has been modelled extensively. While point process-based generative models have long been in use for estimating cascade growths, deep learning has greatly enhanced diverse feature integration. We observe two significant temporal signals in cascade data that have not been emphasized or reported to our knowledge. First, the popularity of the cascade root is known to influence cascade size strongly; but the effect falls off rapidly with time. Second, there is a measurable positive correlation between the novelty of the root content (with respect to a streaming external corpus) and the relative size of the resulting cascade. Responding to these observations, we propose GammaCas, a new cascade growth model as a parametric function of time, which combines deep influence signals from content (e.g., tweet text), network features (e.g., followers of the root user), and exogenous event sources (e.g., online news). Specifically, our model processes these signals through a customized recurrent network, whose states then provide the parameters of the cascade rate function, which is integrated over time to predict the cascade size. The network parameters are trained end-to-end using observed cascades. GammaCas outperforms seven recent and diverse baselines significantly on a large-scale dataset of retweet cascades coupled with time-aligned online news -- it beats the best baseline with an 18.98% increase in terms of Kendall's $\tau$ correlation and $35.63$ reduction in Mean Absolute Percentage Error. Extensive ablation and case studies unearth interesting insights regarding retweet cascade dynamics.
• Abstract（参考訳）: 情報カスケード(リツイートなど)の振る舞いは広範囲にモデル化されている。 ポイントプロセスに基づく生成モデルは長い間カスケード成長の推定に使われてきたが、ディープラーニングは多様な機能統合を大幅に強化してきた。 カスケードデータの2つの重要な時間的信号が,我々の知識に強調あるいは報告されていない。 まず、カスケード根の人気はカスケードの大きさに強く影響することが知られているが、その効果は時間とともに急速に低下する。 第2に、ルート内容の新規性(ストリーミング外部コーパスに関する)と結果として生じるカスケードの相対サイズとの間には、測定可能な正の相関がある。 これらの観測に応答して、GammaCasを提案する。これは、時間のパラメトリック関数としての新しいカスケード成長モデルであり、コンテンツ(例えば、ツイートテキスト)、ネットワーク機能(例えば、ルートユーザーのフォロワー)、および外因性イベントソース(例えば、オンラインニュース)からの深い影響信号を組み合わせたものである。 特に,本モデルは,カスケードサイズを予測するために時間とともに統合されるカスケードレート関数のパラメータを提供するカスタマイズされたリカレントネットワークを介して,これらの信号を処理する。 ネットワークパラメータは観測されたカスケードを使用してエンドツーエンドでトレーニングされる。 GammaCasは、大規模なリツイートカスケードとタイムアラインのオンラインニュースのデータセットで、最近の7つのベースラインを大幅に上回り、Kendallの$\tau$相関とMean Absolute Percentage Errorの$35.63$低下の18.98%で最高のベースラインを上回った。 大規模なアブレーションとケーススタディは、リツイートカスケードダイナミクスに関する興味深い洞察を発掘する。

関連論文リスト

• On Your Mark, Get Set, Predict! Modeling Continuous-Time Dynamics of Cascades for Information Popularity Prediction [5.464598715181046]
  情報の普及を正確に予測する鍵は、基礎となる時間情報拡散過程を微妙にモデル化することにある。 本稿では,情報人気予測のために,カスケードの連続時間ダイナミクスをモデル化したConCatを提案する。 実世界の3つのデータセット上でConCatを評価するための広範な実験を行った。
  論文  参考訳（メタデータ） (2024-09-25T05:08:44Z)
• Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks [51.54002032659713]
  カスケード予測のための階層型情報拡張ネットワーク(HIENet)を提案する。 本手法では,基本カスケードシーケンス,ユーザソーシャルグラフ,サブカスケードグラフを統合フレームワークに統合する。
  論文  参考訳（メタデータ） (2024-03-22T14:57:27Z)
• Causality-Aware Spatiotemporal Graph Neural Networks for Spatiotemporal Time Series Imputation [33.887641183000255]
  時系列を解析するためには、欠落値の計算が不可欠である。 新しい因果性対応時空間グラフニューラルネット(Casper)は、新しいPrompt Decoder(PBD)とStemporal Causal Attention(SCA)を含んでいる
  論文  参考訳（メタデータ） (2024-03-18T16:57:16Z)
• A Dynamical Model of Neural Scaling Laws [79.59705237659547]
  ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。 我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
  論文  参考訳（メタデータ） (2024-02-02T01:41:38Z)
• Explicit Time Embedding Based Cascade Attention Network for Information Popularity Prediction [12.645792211510276]
  本稿では,大規模情報ネットワークのための新しい人気予測アーキテクチャとして,時間埋め込みに基づくカスケード注意ネットワーク(TCAN)を提案する。 TCANは、時間属性を一般的な時間埋め込みアプローチ(TE)を介してノード機能に統合し、カスケードグラフアテンションエンコーダ(CGAT)とカスケードシーケンスアテンションエンコーダ(CSAT)を使用して、カスケードグラフとカスケードシーケンスの表現を完全に学習する。
  論文  参考訳（メタデータ） (2023-08-19T10:43:11Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction [53.76601630407521]
  本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
  論文  参考訳（メタデータ） (2022-08-14T06:51:54Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Neural Pruning via Growing Regularization [82.9322109208353]
  プルーニングの2つの中心的な問題:プルーニングのスケジュールと重み付けの重要度だ。 具体的には, ペナルティ要因が増大するL2正規化変種を提案し, 精度が著しく向上することを示した。 提案アルゴリズムは,構造化プルーニングと非構造化プルーニングの両方において,大規模データセットとネットワークの実装が容易かつスケーラブルである。
  論文  参考訳（メタデータ） (2020-12-16T20:16:28Z)
• CasGCN: Predicting future cascade growth based on information diffusion graph [5.925905552955426]
  本稿ではカスケード成長予測のための新しいディープラーニングアーキテクチャCasGCNを提案する。 グラフ畳み込みネットワークを用いてグラフィカルな入力から構造的特徴を抽出し、次にアテンション機構を適用する。 2つの実世界のカスケード成長予測シナリオについて実験を行った。
  論文  参考訳（メタデータ） (2020-09-10T21:20:09Z)
• Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks [0.0]
  我々は,Long-Short Term Memory (LSTM) ニューラルネットワーク技術を用いて,情報カスケードの2時間特性を予測する。 本手法により,情報発信装置の分類精度は73%以上,早期送信装置の分類精度は83%以上となる。
  論文  参考訳（メタデータ） (2020-04-26T13:17:24Z)

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。