論文の概要: A Community-Aware Framework for Social Influence Maximization

• arxiv url: http://arxiv.org/abs/2207.08937v1
• Date: Mon, 18 Jul 2022 20:43:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 14:12:49.899692
• Title: A Community-Aware Framework for Social Influence Maximization
• Title（参考訳）: 社会影響最大化のためのコミュニティ対応フレームワーク
• Authors: Abhishek Kumar Umrawal and Vaneet Aggarwal
• Abstract要約: 我々は、影響の最大化(IM)の問題を考える:「もし、ソーシャルネットワーク内の一部の個人を説得して、新しい製品やイノベーションを採用することができれば、その目標は、どの個人がターゲットにすべきかという大きなカスケードを誘発することである」。 本研究では,地域社会に固有のコミュニティ構造を学習すること (i) それぞれのコミュニティに影響を及ぼす問題を解くことによって,候補ソリューションを生成すること (ii) 新規なプログレッシブ予算方式を用いて,候補ソリューションから個人の最終セットを選択すること (iii) を提案する。
• 参考スコア（独自算出の注目度）: 40.842329580198324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the Influence Maximization (IM) problem: 'if we can try to convince a subset of individuals in a social network to adopt a new product or innovation, and the goal is to trigger a large cascade of further adoptions, which set of individuals should we target'? Formally, it is the task of selecting $k$ seed nodes in a social network such that the expected number of influenced nodes in the network (under some influence propagation model) is maximized. This problem has been widely studied in the literature and several solution approaches have been proposed. However, most simulation-based approaches involve time-consuming Monte-Carlo simulations to compute the influence of the seed nodes in the entire network. This limits the applicability of these methods on large social networks. In the paper, we are interested in solving the problem of influence maximization in a time-efficient manner. We propose a community-aware divide-and-conquer strategy that involves (i) learning the inherent community structure of the social network, (ii) generating candidate solutions by solving the influence maximization problem for each community, and (iii) selecting the final set of individuals from the candidate solutions using a novel progressive budgeting scheme. We provide experiments on real-world social networks, showing that the proposed algorithm outperforms the simulation-based algorithms in terms of empirical run-time and the heuristic algorithms in terms of influence. We also study the effect of the community structure on the performance of our algorithm. Our experiments show that the community structures with higher modularity lead the proposed algorithm to perform better in terms of run-time and influence.
• Abstract（参考訳）: 我々は、影響最大化(im)の問題を考える。「もし、ソーシャルネットワーク内の一部の個人に新しい製品やイノベーションを採用するよう説得できるなら、目標は、より多くの採用を促進することであり、どの個人をターゲットにすべきなのか?」。 公式には、ネットワーク内の影響ノードの期待数(影響伝播モデルによって)を最大化するように、ソーシャルネットワーク内で$k$シードノードを選択する作業である。 この問題は文献で広く研究され、いくつかの解法が提案されている。 しかし、シミュレーションに基づくアプローチの多くは、ネットワーク全体のシードノードの影響を計算するためにモンテカルロシミュレーションを利用する。 これにより、大規模なソーシャルネットワークにおけるこれらの方法の適用性が制限される。 本稿では,影響最大化の問題を時間効率良く解くことに関心を寄せる。 我々は,コミュニティを意識した分断・解決戦略を提案する。 (i)ソーシャルネットワークの本質的なコミュニティ構造を学習すること。 (ii)地域ごとの影響最大化問題を解決することにより、候補ソリューションを生成すること、 (iii)新規な漸進的予算編成方式を用いて、候補ソリューションから個人の最終集合を選択すること。 実世界のソーシャルネットワーク上で実験を行い,提案アルゴリズムは経験的実行時間とヒューリスティックアルゴリズムでシミュレーションに基づくアルゴリズムよりも効果が高いことを示した。 また,コミュニティ構造がアルゴリズムの性能に与える影響についても検討した。 実験の結果,モジュール性が高いコミュニティ構造は,実行時間と影響の観点から,提案アルゴリズムを向上させることがわかった。

関連論文リスト

• Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
  第6世代(6G)ネットワークは、従来のRISの限界を克服するために、再構成可能なインテリジェントサーフェス(STAR-RIS)を同時に送信および反射する。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を示す。 屋内通信に複数のアクセスポイント(AP)とSTAR-RISを利用する新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-06-19T07:17:04Z)
• DQSSA: A Quantum-Inspired Solution for Maximizing Influence in Online Social Networks (Student Abstract) [17.756827206688364]
  影響の最大化は、ソーシャルネットワークに広がる影響を最大化する最適なノードを選択するタスクである。 本研究では、ソーシャルネットワークにおける影響拡散を最適化するための離散量子ベースのSalp Swarm Algorithm (DQSSA)を提案する。
  論文  参考訳（メタデータ） (2023-11-30T16:23:44Z)
• A Survey on Influence Maximization: From an ML-Based Combinatorial Optimization [2.9882027965916413]
  影響最大化(IM)は、モバイルネットワーク、ソーシャルコンピューティング、レコメンデーションシステムで広く用いられる古典的な最適化問題である。 主な課題は、IM問題のNP硬度と、影響力の広がりを推定する#P硬度である。 我々は,関連する背景知識,基本原則,共通手法,応用研究の要約に重点を置いている。
  論文  参考訳（メタデータ） (2022-11-06T10:13:42Z)
• 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)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
  インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。 本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。 最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
  論文  参考訳（メタデータ） (2021-06-13T16:42:22Z)
• ABEM: An Adaptive Agent-based Evolutionary Approach for Mining Influencers in Online Social Networks [1.6128569396451058]
  オンラインソーシャルネットワークにおける進化的影響力の重要なステップは、インフルエンサーとして知られる少数のユーザーの識別です。 これらのネットワークの構造の進化する性質は、これらのインフルエンサーを見つけて識別することを困難にします。 静的ネットワークと動的ネットワークの両方の文脈でこの問題に対処するための適応型エージェントベースアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-14T00:31:08Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。