論文の概要: PrEF: Percolation-based Evolutionary Framework for the
diffusion-source-localization problem in large networks
- arxiv url: http://arxiv.org/abs/2205.07422v2
- Date: Thu, 19 May 2022 03:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-12 23:54:01.505817
- Title: PrEF: Percolation-based Evolutionary Framework for the
diffusion-source-localization problem in large networks
- Title（参考訳）: PrEF:大規模ネットワークにおける拡散ソースローカライゼーション問題のためのパーコレーションに基づく進化的フレームワーク
- Authors: Yang Liu, Xiaoqi Wang, Xi Wang, Zhen Wang, J\"urgen Kurths
- Abstract要約: 我々は,拡散源を含む候補集合を定式化し,その集合を最小化するためにパーコレーションベースの進化的フレームワーク(PrEF)を提案する。
PrEFはネットワークパーコレーションと進化的アルゴリズムに基づいて開発された。
提案手法は, ほぼすべての症例において, 最先端技術と比較して, はるかに小さな候補セットを実現できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 11.998014357342333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We assume that the state of a number of nodes in a network could be
investigated if necessary, and study what configuration of those nodes could
facilitate a better solution for the diffusion-source-localization (DSL)
problem. In particular, we formulate a candidate set which contains the
diffusion source for sure, and propose the method, Percolation-based
Evolutionary Framework (PrEF), to minimize such set. Hence one could further
conduct more intensive investigation on only a few nodes to target the source.
To achieve that, we first demonstrate that there are some similarities between
the DSL problem and the network immunization problem. We find that the
minimization of the candidate set is equivalent to the minimization of the
order parameter if we view the observer set as the removal node set. Hence,
PrEF is developed based on the network percolation and evolutionary algorithm.
The effectiveness of the proposed method is validated on both model and
empirical networks in regard to varied circumstances. Our results show that the
developed approach could achieve a much smaller candidate set compared to the
state of the art in almost all cases. Meanwhile, our approach is also more
stable, i.e., it has similar performance irrespective of varied infection
probabilities, diffusion models, and outbreak ranges. More importantly, our
approach might provide a new framework to tackle the DSL problem in extreme
large networks.
- Abstract（参考訳）: ネットワーク内の多数のノードの状態が必要であれば調査できると仮定し、それらのノードの構成が拡散-ソース-ローカライズ(dsl)問題に対するより良い解決策になり得るかを検討する。
特に、拡散源を含む候補集合を定式化し、そのような集合を最小化するためのパーコレーションに基づく進化的枠組み(pref)を提案する。
したがって、ソースをターゲットとするノードはわずかしかなく、より集中的な調査を行うことができる。
これを実現するために、まず、DSL問題とネットワーク免疫問題に類似点があることを実証する。
候補集合の最小化は、オブザーバ集合を削除ノード集合として見る場合の順序パラメータの最小化と同値である。
したがって、PrEFはネットワークパーコレーションと進化的アルゴリズムに基づいて開発される。
提案手法の有効性は,様々な状況において,モデルネットワークと経験ネットワークの両方で検証される。
提案手法は, ほぼすべての症例において, 最先端技術と比較して, はるかに小さな候補セットを実現できる可能性が示唆された。
一方,我々のアプローチは,感染確率,拡散モデル,アウトブレイク範囲によらず,より安定している。
さらに重要なことに、我々のアプローチは、極端な大規模ネットワークにおけるdsl問題に取り組むための新しいフレームワークを提供するかもしれません。
関連論文リスト
- DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。
拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T07:56:21Z) - Phasic Content Fusing Diffusion Model with Directional Distribution
Consistency for Few-Shot Model Adaption [73.98706049140098]
本稿では,方向分布の整合性を損なう少数ショット拡散モデルを用いた新しいファシックコンテンツを提案する。
具体的には、ファシックコンテンツ融合を用いたファシックトレーニング戦略を設計し、tが大きければ、モデルがコンテンツやスタイル情報を学ぶのに役立てる。
最後に、ドメイン適応時の構造整合性を高めるクロスドメイン構造ガイダンス戦略を提案する。
論文 参考訳（メタデータ） (2023-09-07T14:14:11Z) - PDE+: Enhancing Generalization via PDE with Adaptive Distributional
Diffusion [66.95761172711073]
ニューラルネットワークの一般化は、機械学習における中心的な課題です。
本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。
私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
論文 参考訳（メタデータ） (2023-05-25T08:23:26Z) - Finding Nontrivial Minimum Fixed Points in Discrete Dynamical Systems [29.7237944669855]
影響を受けるノードの最小数でシステムの非自明な固定点を求めるという新しい最適化問題を定式化する。
この計算難易度に対処するため,この問題を効率的に解決できる特別な事例をいくつか挙げる。
大規模ネットワーク上での問題を解くため,グリーディ選択法とともに汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-06T14:46:01Z) - Provably Efficient Reinforcement Learning for Online Adaptive Influence
Maximization [53.11458949694947]
本稿では,リアルタイムフィードバックに基づいてシードノードを逐次活性化する,コンテンツ依存型オンライン影響問題の適応バージョンについて検討する。
提案アルゴリズムは,最適政策を楽観的に改善しつつ,ネットワークモデルの推定を保守し,適応的にシードを選択する。
論文 参考訳（メタデータ） (2022-06-29T18:17:28Z) - Network Inference and Influence Maximization from Samples [20.916163957596577]
本研究では,これらの種子の拡散を最大化するために,ソーシャルネットワーク上で少数の種子ノードを選択するタスクについて検討する。
我々は,データから拡散パラメータとネットワーク構造を学習するネットワーク推論問題に対して,カスケードの新しい解を提供する。
我々のIMSアルゴリズムは, 拡散パラメータの学習が困難な場合でも, 一定の近似比を許容することにより, 学習と最適化のアプローチを強化する。
論文 参考訳（メタデータ） (2021-06-07T08:06:36Z) - Effective Version Space Reduction for Convolutional Neural Networks [61.84773892603885]
アクティブラーニングでは、サンプリングバイアスは深刻な矛盾問題を引き起こし、アルゴリズムが最適な仮説を見つけるのを妨げる可能性がある。
本稿では,畳み込みニューラルネットワークを用いた能動学習について,バージョン空間削減の原理的レンズを用いて検討する。
論文 参考訳（メタデータ） (2020-06-22T17:40:03Z) - Large Scale Many-Objective Optimization Driven by Distributional
Adversarial Networks [1.2461503242570644]
本稿では, RVEA フレームワークに基づく新しいアルゴリズムを提案し, 分散適応ネットワーク (DAN) を用いて新たな子孫を生成する。
大規模多目的問題(LSMOP)における9つのベンチマーク問題に対して,新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-16T04:14:15Z) - Joint Wasserstein Distribution Matching [89.86721884036021]
JDM問題(Joint Distribution matching)は、2つのドメインの関節分布を一致させるために双方向マッピングを学習することを目的としており、多くの機械学習およびコンピュータビジョンアプリケーションで発生している。
2つの領域における関節分布のワッサーシュタイン距離を最小化することにより、JDM問題に対処することを提案する。
そこで我々は,難解な問題を簡単な最適化問題に還元する重要な定理を提案し,その解法を開発した。
論文 参考訳（メタデータ） (2020-03-01T03:39:00Z)
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。