論文の概要: Social Network Mining (SNM): A Definition of Relation between the Resources and SNA

• arxiv url: http://arxiv.org/abs/2207.06234v1
• Date: Mon, 27 Jun 2022 08:12:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-17 20:07:23.054386
• Title: Social Network Mining (SNM): A Definition of Relation between the Resources and SNA
• Title（参考訳）: ソーシャル・ネットワーク・マイニング(SNM) : 資源とSNAの関係の定義
• Authors: Mahyuddin K. M. Nasution
• Abstract要約: ソーシャルネットワークマイニング(SNM)は、ビッグデータアジェンダの主要なテーマの1つになっている。 本稿では、ソーシャルネットワークの成長におけるSNA(Social Network Analysis)の一部として、資源の振舞いに対処することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social Network Mining (SNM) has become one of the main themes in big data agenda. As a resultant network, we can extract social network from different sources of information, but the information sources were growing dynamically require a flexible approach. To determine the appropriate approach needs the data engineering in order to get the behavior associated with the data. Each social network has the resources and the information source, but the relationship between resources and information sources requires explanation. This paper aimed to address the behavior of the resource as a part of social network analysis (SNA) in the growth of social networks by using the statistical calculations to explain the evolutionary mechanisms. To represent the analysis unit of the SNA, this paper only considers the degree of a vertex, where it is the core of all the analysis in the SNA and it is basic for defining the relation between resources and SNA in SNM. There is a strong effect on the growth of the resources of social networks. In total, the behavior of resources has positive effects. Thus, different information sources behave similarly and have relations with SNA.
• Abstract（参考訳）: ソーシャルネットワークマイニング(SNM)は、ビッグデータアジェンダの主要なテーマのひとつとなっている。 その結果、異なる情報源からソーシャルネットワークを抽出することができるが、情報ソースは動的に成長しており、柔軟なアプローチが求められている。 適切なアプローチを決定するには、データに関連する振る舞いを得るためにデータエンジニアリングが必要です。 各ソーシャルネットワークはリソースと情報ソースを持っているが、リソースと情報ソースの関係は説明を必要とする。 本稿では,ソーシャルネットワークの成長におけるSNA(Social Network Analysis)の一部としての資源の挙動を,統計計算を用いて解析し,進化のメカニズムを説明することを目的とした。 SNAの分析単位を表すために,本論文では,SNAのすべての解析のコアとなる頂点の度合いのみを考察し,SNMにおける資源とSNAの関係を定義するための基礎となる。 ソーシャルネットワークの資源の成長には強い影響がある。 総じて、資源の挙動は肯定的な効果を持つ。 このように、異なる情報ソースも同様に振舞い、SNAと関係を持つ。

関連論文リスト

• Hypergame Theory for Decentralized Resource Allocation in Multi-user Semantic Communications [60.63472821600567]
  マルチユーザSCシステムにおける分散コンピューティングと通信資源割り当てのための新しいフレームワークを提案する。 通信資源と計算資源を効率的に割り当てることの課題は、Stackelbergハイパーゲーム理論の適用によって解決される。 シミュレーションの結果,提案したStackelbergハイパーゲームは通信資源と計算資源を効率的に利用することができることがわかった。
  論文  参考訳（メタデータ） (2024-09-26T15:55:59Z)
• Learning To Rank Resources with GNN [7.337247167823921]
  本稿では,資源クエリと資源リソースの関係をモデル化可能なグラフニューラルネットワーク(GNN)に基づく学習からランクへのアプローチを提案する。 提案手法は,様々なパフォーマンス指標において,最先端の6.4%から42%を上回っている。
  論文  参考訳（メタデータ） (2023-04-17T02:01:45Z)
• Service Discovery in Social Internet of Things using Graph Neural Networks [1.552282932199974]
  IoT(Internet-of-Things)ネットワークは、何千もの物理的エンティティをインテリジェントに接続して、コミュニティにさまざまなサービスを提供する。 ネットワークに存在するIoTデバイスを発見し、それに対応するサービスを要求するプロセスを複雑にしている。 異種大規模IoTネットワークに適したスケーラブルなリソース割り当てニューラルモデルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T12:25:37Z)
• Decomposing neural networks as mappings of correlation functions [57.52754806616669]
  本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。 ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
  論文  参考訳（メタデータ） (2022-02-10T09:30:31Z)
• On Improving Resource Allocations by Sharing [27.43373407900506]
  最初のリソース割り当てを前提として、リソースを再割り当てすることなくアロケーションを改善することが目標です。 我々は、中央の権威者が初期割り当てに基づいて隣人との最適な共有を計算できるようにするフォーマルなモデルを導入する。 本稿では,アロケーションの実用的・平等的社会福祉を最適化するためのアルゴリズムと,エヴァンスエージェントの数を削減するためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-14T16:41:08Z)
• RelaySum for Decentralized Deep Learning on Heterogeneous Data [71.36228931225362]
  分散機械学習では、労働者はローカルデータのモデル更新を計算する。 労働者は中心的な調整なしに隣人とのみ通信するため、これらの更新はネットワーク上で徐々に伝播する。 このパラダイムは、全接続のないネットワーク上での分散トレーニングを可能にし、データのプライバシ保護と、データセンタでの分散トレーニングの通信コストの削減を支援する。
  論文  参考訳（メタデータ） (2021-10-08T14:55:32Z)
• Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc Wireless Networks [122.42812336946756]
  集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。 アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
  論文  参考訳（メタデータ） (2020-11-05T03:38:36Z)
• Multivariate Relations Aggregation Learning in Social Networks [39.576490107740135]
  ソーシャルネットワークのグラフ学習タスクでは,多変量関係情報の識別と活用がより重要である。 既存のグラフ学習手法は近隣情報拡散機構に基づいている。 本稿では,ネットワーク環境における多変量関係情報を効果的に取得できる多変量関係集約学習法を提案する。
  論文  参考訳（メタデータ） (2020-08-09T04:58:38Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

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。