論文の概要: CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown Social Networks

• arxiv url: http://arxiv.org/abs/2107.03603v1
• Date: Thu, 8 Jul 2021 04:52:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 13:29:42.743044
• Title: CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown Social Networks
• Title（参考訳）: CLAIM:未知のソーシャルネットワークにおける影響最大化のためのカリキュラム学習政策
• Authors: Dexun Li, Meghna Lowalekar, Pradeep Varakantham
• Abstract要約: 本稿では,RL法のサンプル効率を向上させるために,CLAIM-Curriculum LeArning Policy for Influence Maximizationを提案する。 実世界のデータセットで実験を行い、我々のアプローチが現在の最良のアプローチより優れていることを示す。
• 参考スコア（独自算出の注目度）: 14.695979686066062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Influence maximization is the problem of finding a small subset of nodes in a network that can maximize the diffusion of information. Recently, it has also found application in HIV prevention, substance abuse prevention, micro-finance adoption, etc., where the goal is to identify the set of peer leaders in a real-world physical social network who can disseminate information to a large group of people. Unlike online social networks, real-world networks are not completely known, and collecting information about the network is costly as it involves surveying multiple people. In this paper, we focus on this problem of network discovery for influence maximization. The existing work in this direction proposes a reinforcement learning framework. As the environment interactions in real-world settings are costly, so it is important for the reinforcement learning algorithms to have minimum possible environment interactions, i.e, to be sample efficient. In this work, we propose CLAIM - Curriculum LeArning Policy for Influence Maximization to improve the sample efficiency of RL methods. We conduct experiments on real-world datasets and show that our approach can outperform the current best approach.
• Abstract（参考訳）: 影響の最大化は、情報の拡散を最大化できるネットワーク内のノードの小さなサブセットを見つける問題である。 近年,HIV感染防止,薬物乱用防止,マイクロファイナンス導入などにも応用が認められており,その目的は,情報を大勢の人々に広めることのできる現実世界の物理ソーシャルネットワークにおいて,ピアリーダーの集合を識別することにある。 オンラインのソーシャルネットワークとは異なり、現実世界のネットワークは完全には知られていない。 本稿では,影響最大化のためのネットワーク発見の問題に着目する。 この方向の既存の研究は強化学習フレームワークを提案する。 実世界の環境相互作用はコストがかかるため、強化学習アルゴリズムは最小限の環境相互作用、すなわちサンプリング効率を持つことが重要である。 本稿では,RL法のサンプル効率を向上させるために,影響最大化のためのCLAIMCurriculum LeArning Policyを提案する。 実世界のデータセットで実験を行い、我々のアプローチが現在の最良のアプローチより優れていることを示す。

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)
• Detecting and Mitigating Bias in Algorithms Used to Disseminate Information in Social Networks [0.03883607294385062]
  社会的つながりは、個人がコミュニケーションし、情報伝達し、病気が広がる経路である。 効果的な情報キャンペーンを開発し、疫病と闘い、限られた資源の範囲を最大化するためには、アイデアや技術を取り入れ、それを他人に広める可能性がより高い個人を特定することが不可欠である。 ここでは、インフルエンス手法を用いたシード情報は、接続された個人と中央の個人にのみ利益をもたらし、最も脆弱な情報を常に残していることを示す。 我々の研究は、より公平なインフルエンサーセットを見つける方法を示し、情報の最大化のために、情報平等を妥協する必要はないことを強調している。
  論文  参考訳（メタデータ） (2024-05-21T13:17:57Z)
• Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects [17.44202934049009]
  本稿では,グラフ機械学習アプローチとダブル機械学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は,広範囲なシミュレーション研究を通じて,正確で堅牢でスケーラブルであることを示す。
  論文  参考訳（メタデータ） (2024-03-17T20:23:42Z)
• Flexible Attention-Based Multi-Policy Fusion for Efficient Deep Reinforcement Learning [78.31888150539258]
  強化学習(RL)エージェントは、長い間、人間の学習の効率にアプローチしようとしてきた。 RLにおける以前の研究は、エージェントがサンプル効率を改善するために外部知識ポリシーを取り入れていた。 我々は,複数の知識ポリシーを融合させたRLパラダイムであるKGRL(Knowledge-Grounded RL)について述べる。
  論文  参考訳（メタデータ） (2022-10-07T17:56:57Z)
• A Community-Aware Framework for Social Influence Maximization [40.842329580198324]
  我々は、影響の最大化(IM)の問題を考える:「もし、ソーシャルネットワーク内の一部の個人を説得して、新しい製品やイノベーションを採用することができれば、その目標は、どの個人がターゲットにすべきかという大きなカスケードを誘発することである」。 本研究では,地域社会に固有のコミュニティ構造を学習すること (i) それぞれのコミュニティに影響を及ぼす問題を解くことによって,候補ソリューションを生成すること (ii) 新規なプログレッシブ予算方式を用いて,候補ソリューションから個人の最終セットを選択すること (iii) を提案する。
  論文  参考訳（メタデータ） (2022-07-18T20:43:17Z)
• 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)
• ABEM: An Adaptive Agent-based Evolutionary Approach for Mining Influencers in Online Social Networks [1.6128569396451058]
  オンラインソーシャルネットワークにおける進化的影響力の重要なステップは、インフルエンサーとして知られる少数のユーザーの識別です。 これらのネットワークの構造の進化する性質は、これらのインフルエンサーを見つけて識別することを困難にします。 静的ネットワークと動的ネットワークの両方の文脈でこの問題に対処するための適応型エージェントベースアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-14T00:31:08Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。