論文の概要: Large-scale multi-objective influence maximisation with network
downscaling
- arxiv url: http://arxiv.org/abs/2204.06250v2
- Date: Thu, 14 Apr 2022 10:35:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-15 12:16:17.390944
- Title: Large-scale multi-objective influence maximisation with network
downscaling
- Title（参考訳）: ネットワークダウンスケーリングによる大規模多目的影響最大化
- Authors: Elia Cunegatti, Giovanni Iacca, Doina Bucur
- Abstract要約: ネットワーク内で最も影響力のあるノードを見つけることは、いくつかのアプリケーションで難しい問題である。
本稿では,ネットワークダウンスケーリングに基づく独自の手法を提案する。これにより,マルチオブジェクト進化アルゴリズムにより,縮小スケールネットワーク上でのIM問題を解くことができる。
8大ネットワーク上での本研究の結果は,提案手法の有効性を10倍以上のランタイムゲインで示し,元のネットワークに要した時間と比較した。
- 参考スコア（独自算出の注目度）: 5.027571997864706
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding the most influential nodes in a network is a computationally hard
problem with several possible applications in various kinds of network-based
problems. While several methods have been proposed for tackling the influence
maximisation (IM) problem, their runtime typically scales poorly when the
network size increases. Here, we propose an original method, based on network
downscaling, that allows a multi-objective evolutionary algorithm (MOEA) to
solve the IM problem on a reduced scale network, while preserving the relevant
properties of the original network. The downscaled solution is then upscaled to
the original network, using a mechanism based on centrality metrics such as
PageRank. Our results on eight large networks (including two with $\sim$50k
nodes) demonstrate the effectiveness of the proposed method with a more than
10-fold runtime gain compared to the time needed on the original network, and
an up to $82\%$ time reduction compared to CELF.
- Abstract（参考訳）: ネットワーク内で最も影響力のあるノードを見つけることは、様々な種類のネットワークベースの問題に対していくつかの応用が可能な計算上難しい問題である。
影響最大化(IM)問題に対処するためのいくつかの手法が提案されているが、ネットワークサイズが大きくなると、その実行環境は良くない。
本稿では,ネットワークのダウンスケーリングに基づく手法を提案する。この手法により,マルチオブジェクト進化アルゴリズム (MOEA) は,元のネットワークの関連性を保ちながら,縮小スケールネットワーク上のIM問題を解くことができる。
ダウンスケールされたソリューションは、PageRankなどの集中度メトリクスに基づいたメカニズムを使用して、元のネットワークにスケールアップされる。
提案手法の有効性は,従来のネットワークに比べて10倍以上に向上し,CELFと比較して最大8,2 % の時間短縮が可能であった。
関連論文リスト
- Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。
マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。
提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-10-06T02:35:35Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳（メタデータ） (2023-09-12T13:03:47Z) - Graph Neural Networks-Based User Pairing in Wireless Communication
Systems [0.34410212782758043]
ユーザペアリング問題を効率的に解くために,教師なしグラフニューラルネットワーク(GNN)アプローチを提案する。
提案手法は20dBのSNRにおいて,k平均よりも49%,SUSより95%高い総和率を達成する。
論文 参考訳（メタデータ） (2023-05-14T11:57:42Z) - A Multi-objective Complex Network Pruning Framework Based on
Divide-and-conquer and Global Performance Impairment Ranking [40.59001171151929]
本稿では,多目的複合ネットワークプルーニングフレームワークを提案する。
提案アルゴリズムは,最先端プルーニング手法と同等の性能を実現する。
論文 参考訳（メタデータ） (2023-03-28T12:05:15Z) - DeepSlicing: Deep Reinforcement Learning Assisted Resource Allocation
for Network Slicing [20.723527476555574]
ネットワークスライシングにより、同じ物理インフラストラクチャ上で複数の仮想ネットワークが動作し、5G以降のさまざまなユースケースをサポートすることができる。
これらのユースケースには、通信や計算、レイテンシやスループットといったさまざまなパフォーマンス指標など、非常に多様なネットワークリソース要求があります。
乗算器の交互方向法(ADMM)と深部強化学習(DRL)を統合したDeepSlicingを提案する。
論文 参考訳（メタデータ） (2020-08-17T20:52:19Z) - ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。
本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文 参考訳（メタデータ） (2020-06-28T23:09:27Z) - Rethinking Differentiable Search for Mixed-Precision Neural Networks [83.55785779504868]
低ビット幅に量子化された重みとアクティベーションを持つ低精度ネットワークは、エッジデバイスでの推論を加速するために広く利用されている。
現在の解は均一であり、全てのフィルタに同じビット幅を使用する。
これは異なるフィルタの異なる感度を考慮せず、最適以下である。
混合精度ネットワークは、ビット幅を個々のフィルタ要求に調整することでこの問題に対処する。
論文 参考訳（メタデータ） (2020-04-13T07:02:23Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳（メタデータ） (2020-01-28T18:25:15Z) - Towards More Efficient and Effective Inference: The Joint Decision of
Multi-Participants [9.994317392276432]
本稿では,エッジデバイスに適した手法を提案する。
主に多層膜と多層ネットワークを含む複数参加者の連成決定は、より高い分類精度を実現することができる。
論文 参考訳（メタデータ） (2020-01-19T04:52:05Z) - Differentiable Sparsification for Deep Neural Networks [0.0]
本稿では,ディープニューラルネットワークのための完全微分可能なスペーシフィケーション手法を提案する。
提案手法は,ネットワークのスパース化構造と重み付けの両方をエンドツーエンドに学習することができる。
私たちの知る限りでは、これが最初の完全に差別化可能なスパーシフィケーション手法である。
論文 参考訳（メタデータ） (2019-10-08T03:57:04Z)
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。