論文の概要: A Multi-Transformation Evolutionary Framework for Influence Maximization in Social Networks

• arxiv url: http://arxiv.org/abs/2204.03297v1
• Date: Thu, 7 Apr 2022 08:53:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 16:05:06.660131
• Title: A Multi-Transformation Evolutionary Framework for Influence Maximization in Social Networks
• Title（参考訳）: ソーシャルネットワークにおける影響最大化のためのマルチトランスフォーメーション進化枠組み
• Authors: Chao Wang, Jiaxuan Zhao, Lingling Li, Licheng Jiao, Jing Liu, Kai Wu
• Abstract要約: 本稿では, 影響変換のための多変態進化的枠組みを提案し, 潜在的な類似性や代替変換の独特な利点を生かした。 MTEFIMは、複数の変換にまたがる潜在的な伝達可能な知識を効率的に利用し、高い競争性能を達成する。 MTEFIMは4つの現実世界のソーシャルネットワークで検証されている。
• 参考スコア（独自算出の注目度）: 44.739573338273175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Influence maximization is a key issue for mining the deep information of social networks, which aims to select a seed set from the network to maximize the number of influenced nodes. To evaluate the influence spread of a seed set efficiently, existing works have proposed some proxy models (transformations) with lower computational costs to replace the expensive Monte Carlo simulation process. These alternate transformations based on network prior knowledge induce different search behaviors with similar characteristics from various perspectives. For a specific case, it is difficult for users to determine a suitable transformation a priori. Keeping those in mind, we propose a multi-transformation evolutionary framework for influence maximization (MTEFIM) to exploit the potential similarities and unique advantages of alternate transformations and avoid users to determine the most suitable one manually. In MTEFIM, multiple transformations are optimized simultaneously as multiple tasks. Each transformation is assigned an evolutionary solver. Three major components of MTEFIM are conducted: 1) estimating the potential relationship across transformations based on the degree of overlap across individuals (seed sets) of different populations, 2) transferring individuals across populations adaptively according to the inter-transformation relationship, 3) selecting the final output seed set containing all the proxy model knowledge. The effectiveness of MTEFIM is validated on four real-world social networks. Experimental results show that MTEFIM can efficiently utilize the potentially transferable knowledge across multiple transformations to achieve highly competitive performance compared to several popular IM-specific methods. The implementation of MTEFIM can be accessed at https://github.com/xiaofangxd/MTEFIM.
• Abstract（参考訳）: 影響の最大化は、影響のあるノード数を最大化するためにネットワークからシードセットを選択することを目的とした、ソーシャルネットワークの深い情報マイニングの重要な問題である。 シードセットの拡散を効率的に評価するために、既存の研究は、高価なモンテカルロシミュレーションプロセスを置き換えるために、計算コストの低いいくつかのプロキシモデル(変換)を提案している。 これらのネットワーク事前知識に基づく代替変換は、様々な観点から類似した特性を持つ異なる探索行動を引き起こす。 特定のケースでは、ユーザが適切な変換を事前に決定することは困難である。 これらを念頭に置いて,代替変換の潜在的な類似性と独特な利点を活かし,ユーザが手動で最も適したものを決定することを避けるために,マルチトランスフォーメーション進化フレームワークMTEFIMを提案する。 MTEFIMでは、複数の変換を複数のタスクとして同時に最適化する。 各変換には進化的解法が割り当てられる。 MTEFIMの3つの主要コンポーネントが実行される。 1) 異なる集団の個体(種集合)間の重なりの程度に基づいて, トランスフォーメーション間の潜在的関係を推定する。 2)相互変換関係に適応して個体を個体群に移動させる。 3) すべてのプロキシモデル知識を含む最終出力シードセットを選択する。 MTEFIMの有効性は4つの現実世界のソーシャルネットワークで検証されている。 実験結果から,MTEFIMは複数の変換にまたがる潜在的伝達可能な知識を効率よく利用し,高い競争性能を達成できることが示唆された。 MTEFIMの実装はhttps://github.com/xiaofangxd/MTEFIMで見ることができる。

関連論文リスト

• Investigating the potential of Sparse Mixtures-of-Experts for multi-domain neural machine translation [59.41178047749177]
  トレーニング中に見られるさまざまなドメインのデータを扱うことができ、トレーニング中に見つからないドメインに対して堅牢な効率的なモデルを開発することを目的として、マルチドメインニューラルネットワーク翻訳に重点を置いている。 SMOE(Sparse Mixture-of-Experts)モデルは、効率的なモデルスケーリングを可能にするため、このタスクに適していると仮定する。 マルチドメインシナリオにおけるSMoEの有用性を検証するための一連の実験を行い、Transformerの簡単な幅スケーリングは、実際はよりシンプルで驚くほど効率的なアプローチであり、SMoEと同等の性能レベルに達することを発見した。
  論文  参考訳（メタデータ） (2024-07-01T09:45:22Z)
• Multi-Domain Evolutionary Optimization of Network Structures [25.658524436665637]
  マルチドメイン進化最適化(MDEO)のための新しいフレームワークを開発する。 異なる領域の8つの実世界のネットワークの実験は、古典的な進化的最適化と比較してMDEOが優れていることを示す。 コミュニティに対する攻撃のシミュレーションは、コミュニティの安全を守るために提案されたMDEOの有効性を検証する。
  論文  参考訳（メタデータ） (2024-06-21T04:53:39Z)
• Learning to Transform Dynamically for Better Adversarial Transferability [32.267484632957576]
  人間に知覚できない摂動を加えることで構築された敵対的な例は、ニューラルネットワークを欺く可能性がある。 我々はL2T(Learning to Transform)という新しいアプローチを導入する。 L2Tは、候補プールからの操作の最適な組み合わせを選択することにより、変換された画像の多様性を高める。
  論文  参考訳（メタデータ） (2024-05-23T00:46:53Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• MIM-Reasoner: Learning with Theoretical Guarantees for Multiplex Influence Maximization [22.899884160183596]
  マルチプレックス・インフルエンス(MIM)は、マルチプレクサネットワークにおいて、期待される影響のあるユーザ数を最大化するために、シードユーザのセットを特定するように要求する。 多重化ネットワークの層内および層間における複雑な伝搬過程をキャプチャするMIM-Reasonerを提案する。
  論文  参考訳（メタデータ） (2024-02-24T03:48:22Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• Deep Graph Representation Learning and Optimization for Influence Maximization [10.90744025490539]
  インフルエンサー(IM)は、ソーシャルネットワークから初期ユーザのセットを選択して、影響を受けたユーザの期待人数を最大化する。 本稿では,シードセットの潜在表現を生成的に特徴付けるための新しいフレームワークであるDeepIMを提案する。 また、フレキシブルなノード分散性に基づく予算制約の下で最適なシードセットを推論する新たな目的関数を設計する。
  論文  参考訳（メタデータ） (2023-05-01T15:45:01Z)
• Improving Diversity with Adversarially Learned Transformations for Domain Generalization [81.26960899663601]
  本稿では、ニューラルネットワークを用いた逆学習変換(ALT)を用いて、可塑性かつハードな画像変換をモデル化する新しいフレームワークを提案する。 我々は、ALTが既存の多様性モジュールと自然に連携して、ソースドメインの大規模変換によって最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2022-06-15T18:05:24Z)
• The Self-Optimal-Transport Feature Transform [2.804721532913997]
  ダウンストリームマッチングや関連するタスクのグループ化を容易にするために、データインスタンスの機能セットをアップグレードする方法を示します。 エントロピー正規化バージョンを最適輸送 (OT) 最適化により近似できる, 特定の min-コスト-max-flow 分数マッチング問題により, トランスダクティブ・トランスフォーメーションが生じる。 経験的に、この変換は、その使用において非常に効果的で柔軟性があり、挿入されるネットワークを一貫して改善している。
  論文  参考訳（メタデータ） (2022-04-06T20:00:39Z)
• Rich CNN-Transformer Feature Aggregation Networks for Super-Resolution [50.10987776141901]
  近年の視覚変換器と自己注意は,様々なコンピュータビジョンタスクにおいて有望な成果を上げている。 我々は,CNNの局所的特徴とトランスフォーマーが捉えた長距離依存性を活用する,超解像(SR)タスクのための効果的なハイブリッドアーキテクチャを提案する。 提案手法は,多数のベンチマークデータセットから最先端のSR結果を得る。
  論文  参考訳（メタデータ） (2022-03-15T06:52:25Z)

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。