論文の概要: Explain Influence Maximization with Sobol Indices

• arxiv url: http://arxiv.org/abs/2207.07833v1
• Date: Sat, 16 Jul 2022 04:44:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 07:45:39.870131
• Title: Explain Influence Maximization with Sobol Indices
• Title（参考訳）: sobolインデックスによる影響最大化の説明
• Authors: Zonghan Zhang and Zhiqian Chen
• Abstract要約: 本研究では、分散に基づく感度分析の基礎となるソボル指標を用いて、個々の種子とその相互作用への影響を分解する。 本手法に基づいて,現在のIM研究の性能向上を図るため,SobolIMと呼ばれる一般的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.542119695695405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to its vast application on online social networks, Influence Maximization (IM) has garnered considerable attention over the last couple of decades. Current IM research lacks human-comprehensible explanations of how the seed set results in the influence effect, hence reducing the trustworthiness of existing solutions despite their applicability. Due to the intricacy of IM, the majority of current research concentrate on estimating first-order spreading power and often is regard the interplay between flows dispersed from different seeds. This study uses Sobol indices, the cornerstone of variance-based sensitivity analysis, to decompose the influence effect to individual seeds and their interactions. The Sobol indices are tailored for IM contexts by modeling the seed selection as binary variables. This explanation method is universally applicable to all network types, IM techniques, and diffusion models. Based on the explanation method, a general framework dubbed SobolIM is proposed to improve the performance of current IM studies by over-selecting nodes followed by an elimination strategy. Experiments on synthetic and real-world graphs demonstrate that the explanation of the impact effect can dependably identify the key high-order interaction between seeds across a variety of networks and IM methods. SobolIM is empirically proved to be superior on effectiveness and competitive on efficiency.
• Abstract（参考訳）: オンラインソーシャルネットワークへの膨大な応用により、インフルエンス最大化(im)は過去数十年でかなりの注目を集めてきた。 現在のim研究では、シードセットがどのような影響をもたらすのかを人間に理解できないため、その適用性にもかかわらず既存のソリューションの信頼性が低下している。 IMの複雑さのため、現在の研究の大半は1次拡散力の推定に集中しており、しばしば異なる種から分散した流れ間の相互作用を考慮している。 本研究は,分散に基づく感度解析の基礎となるsobolインデックスを用いて,個々の種子とその相互作用に対する影響を分解する。 sobolのインデックスは、シード選択をバイナリ変数としてモデル化することでimコンテキスト用に調整される。 この説明法は、全てのネットワークタイプ、IM技術、拡散モデルに適用可能である。 この説明法に基づき, ノードの過剰選択と除去戦略による現在のim研究の性能向上のために, sobolim と呼ばれる汎用フレームワークが提案されている。 合成および実世界のグラフの実験により、影響効果の説明は、様々なネットワークとIMメソッドにわたる種子間の重要な高次相互作用を確実に特定できることを示した。 SobolIMは実効性と競争力に優れていることが実証的に証明されている。

関連論文リスト

• Estimating Peer Direct and Indirect Effects in Observational Network Data [16.006409149421515]
  本稿では、ピア直接効果とピア間接効果の両方を考慮し、個人自身の治療の効果を考慮に入れた一般的な設定を提案する。 注意機構を用いて、異なる隣人の影響を識別し、グラフニューラルネットワークによる高次隣人効果を探索する。 理論的には,ネットワークシステムにおける介入戦略を改善する可能性があり,ソーシャルネットワークや疫学などの分野にも応用できる。
  論文  参考訳（メタデータ） (2024-08-21T10:02:05Z)
• 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)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)
• Influence Maximization with Unknown Individual Effect on General Network [3.4049427793086324]
  ネットワークに広がる情報を最大化するためのシードセットの同定は、インフルエンス・最大化(IM)と呼ばれる概念が不可欠である。 IMアルゴリズムは、各ノードが個々のエフェクトと呼ばれる特定の重みを持つ場合まで自然に拡張でき、ノードの重要性を測定することができる。 本稿では,因果影響最大化(CauIM)アルゴリズムの開発を通じてこの問題に対処する。
  論文  参考訳（メタデータ） (2023-01-28T15:34:03Z)
• 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)
• GraMeR: Graph Meta Reinforcement Learning for Multi-Objective Influence Maximization [1.7311053765541482]
  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。
  論文  参考訳（メタデータ） (2022-05-30T03:48:51Z)
• Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
  近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。 本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
  論文  参考訳（メタデータ） (2021-07-28T16:29:38Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Demarcating Endogenous and Exogenous Opinion Dynamics: An Experimental Design Approach [27.975266406080152]
  本稿では,実験的な設計手法に基づく教師なし分類手法のスイートを設計する。 平均推定誤差の異なる測度を最小化するイベントのサブセットを選択することを目的としている。 我々の実験は、不衛生事象や衛生事象に対する予測性能の検証から、様々な大きさの最適なサブセットを選択する効果の検証まで多岐にわたる。
  論文  参考訳（メタデータ） (2021-02-11T11:38:15Z)
• Mutual Information Maximization for Effective Lip Reading [99.11600901751673]
  本稿では,局所的特徴レベルとグローバルなシーケンスレベルの両方について,相互情報制約を導入することを提案する。 これら2つの利点を組み合わせることで, 有効な唇読解法として, 識別性と頑健性の両方が期待できる。
  論文  参考訳（メタデータ） (2020-03-13T18:47:42Z)

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。