論文の概要: GraMeR: Graph Meta Reinforcement Learning for Multi-Objective Influence
Maximization
- arxiv url: http://arxiv.org/abs/2205.14834v1
- Date: Mon, 30 May 2022 03:48:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 08:02:15.036763
- Title: GraMeR: Graph Meta Reinforcement Learning for Multi-Objective Influence
Maximization
- Title（参考訳）: GraMeR:多目的影響最大化のためのグラフメタ強化学習
- Authors: Sai Munikoti, Balasubramaniam Natarajan and Mahantesh Halappanavar
- Abstract要約: インフルエンス(IM)とは、ネットワーク内のシードノードと呼ばれるノードのサブセットを特定する問題である(グラフ)。
IMには、バイラルマーケティング、疫病対策、センサー配置、その他のネットワーク関連タスクなど、数多くの応用がある。
我々は、本質的および影響的アクティベーションの両方を扱うマルコフ決定プロセスとして、一般的なIM問題を開発する。
- 参考スコア（独自算出の注目度）: 1.7311053765541482
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Influence maximization (IM) is a combinatorial problem of identifying a
subset of nodes called the seed nodes in a network (graph), which when
activated, provide a maximal spread of influence in the network for a given
diffusion model and a budget for seed set size. IM has numerous applications
such as viral marketing, epidemic control, sensor placement and other
network-related tasks. However, the uses are limited due to the computational
complexity of current algorithms. Recently, learning heuristics for IM have
been explored to ease the computational burden. However, there are serious
limitations in current approaches such as: (1) IM formulations only consider
influence via spread and ignore self activation; (2) scalability to large
graphs; (3) generalizability across graph families; (4) low computational
efficiency with a large running time to identify seed sets for every test
network. In this work, we address each of these limitations through a unique
approach that involves (1) formulating a generic IM problem as a Markov
decision process that handles both intrinsic and influence activations; (2)
employing double Q learning to estimate seed nodes; (3) ensuring scalability
via sub-graph based representations; and (4) incorporating generalizability via
meta-learning across graph families. Extensive experiments are carried out in
various standard networks to validate performance of the proposed Graph Meta
Reinforcement learning (GraMeR) framework. The results indicate that GraMeR is
multiple orders faster and generic than conventional approaches.
- Abstract（参考訳）: 影響最大化(im)は、ネットワーク内のシードノード(graph)と呼ばれるノードのサブセットを識別する組合せ問題であり、活性化されると、与えられた拡散モデルとシードセットサイズの予算に対してネットワーク内の影響の最大拡散を提供する。
IMには、バイラルマーケティング、疫病対策、センサー配置、その他のネットワーク関連タスクなど、数多くの応用がある。
しかし、現在のアルゴリズムの計算量は限られている。
近年,IMの学習ヒューリスティックスは計算負担を軽減するために研究されている。
しかしながら,1) IM の定式化は,自己活性化による影響のみを考慮し,(2) グラフへの拡張性,(3) グラフファミリ間の一般化性,(4) テストネットワーク毎にシードセットを識別するための実行時間の多い計算効率の低下など,現在のアプローチには重大な制限がある。
本研究では,(1)内在的および影響的アクティベーションの両方を扱うマルコフ決定過程として汎用IM問題を定式化すること,(2)シードノードを推定するために二重Q学習を採用すること,(3)サブグラフベース表現によるスケーラビリティを確保すること,(4)グラフファミリ間のメタラーニングによる一般化性を取り入れること,など,これらの制限に対処する。
提案するグラフメタ強化学習(GraMeR)フレームワークの性能を評価するため,各種標準ネットワークで大規模な実験を行った。
その結果,GraMeRは従来の手法よりも高速で汎用的であることが示唆された。
関連論文リスト
- Mew: Multiplexed Immunofluorescence Image Analysis through an Efficient Multiplex Network [84.88767228835928]
マルチプレックスネットワークのレンズを通してmIF画像を効率的に処理する新しいフレームワークであるMewを紹介する。
Mew は、幾何学情報のための Voronoi ネットワークと、セルワイドの均一性を捉えるセル型ネットワークという、2つの異なる層からなる多重ネットワークを革新的に構築する。
このフレームワークは、トレーニング中にグラフ全体を処理できるスケーラブルで効率的なグラフニューラルネットワーク(GNN)を備えている。
論文 参考訳（メタデータ） (2024-07-25T08:22:30Z) - 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) - Influence Maximization in Hypergraphs using Multi-Objective Evolutionary Algorithms [2.726292320658314]
影響最大化(IM)問題はグラフ上のよく知られたNPハード問題である。
ハイパーグラフ上のIM問題に対する多目的EAを提案する。
論文 参考訳（メタデータ） (2024-05-16T15:31:28Z) - Many-Objective Evolutionary Influence Maximization: Balancing Spread, Budget, Fairness, and Time [3.195234044113248]
インフルエンス・最大化(IM)問題は、情報伝達を最大限に広めることのできるグラフ内のノードの集合を見つけ出そうとする。
この問題はNPハードであることが知られており、通常は第2の目的を最適化する影響(スプレッド)を最大化して研究される。
本研究では,シードセットサイズの影響と最小化に基づいて,予算の公平性,コミュニティ,時間といったIM固有の目的関数を最適化した最初のケーススタディを提案する。
論文 参考訳（メタデータ） (2024-03-27T16:54:45Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - 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) - Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳（メタデータ） (2021-12-03T14:23:05Z) - FastCover: An Unsupervised Learning Framework for Multi-Hop Influence
Maximization in Social Networks [39.86798194955807]
ソーシャルネットワークで影響力のあるユーザーを見つけることは、多くの有用なアプリケーションにおいて根本的な問題である。
本稿では,IM の問題を予算制約付き d-hop 支配集合問題 (kdDSP) に還元する。
我々は、効率的な欲求戦略を教師なしで学習することでkdDSPを解決するために、統合機械学習(ML)フレームワークであるFastCoverを提案する。
FastCoverは、GNNの1つの前方伝播で計算されたノードのスコアから設定されたシード全体を決定する。
論文 参考訳（メタデータ） (2021-10-31T10:49:21Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳（メタデータ） (2021-04-17T20:00:40Z) - Multi-hop Attention Graph Neural Network [70.21119504298078]
マルチホップアテンショングラフニューラルネットワーク(MAGNA)は、マルチホップコンテキスト情報を注目計算のすべての層に組み込む方法である。
MAGNAは各層における大規模構造情報を捕捉し,低域効果によりグラフデータからノイズの多い高周波情報を除去することを示す。
論文 参考訳（メタデータ） (2020-09-29T22:41:19Z)
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。