論文の概要: Modeling the Social Influence of COVID-19 via Personalized Propagation with Deep Learning

• arxiv url: http://arxiv.org/abs/2207.13016v1
• Date: Tue, 26 Jul 2022 16:24:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 13:30:08.518006
• Title: Modeling the Social Influence of COVID-19 via Personalized Propagation with Deep Learning
• Title（参考訳）: 深層学習によるパーソナライズされた伝播によるCOVID-19の社会的影響のモデル化
• Authors: Yufei Liu, Jie Cao, Dechang Pi
• Abstract要約: 社会的影響予測は、マーケティング、行動予測、レコメンデーションシステムなど、多くの領域に浸透している。 伝統的な社会的影響を予測する方法は、ドメインの専門知識だけでなく、ユーザーの特徴の抽出にも依存している。 DeepInfを拡張して、ページランクドメインの遷移確率を介して、COVID-19の社会的影響を予測する。 私たちの実装はDeepPPと呼ばれるディープラーニングベースのパーソナライズされた伝搬アルゴリズムを生み出します。
• 参考スコア（独自算出の注目度）: 26.665161470481948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social influence prediction has permeated many domains, including marketing, behavior prediction, recommendation systems, and more. However, traditional methods of predicting social influence not only require domain expertise,they also rely on extracting user features, which can be very tedious. Additionally, graph convolutional networks (GCNs), which deals with graph data in non-Euclidean space, are not directly applicable to Euclidean space. To overcome these problems, we extended DeepInf such that it can predict the social influence of COVID-19 via the transition probability of the page rank domain. Furthermore, our implementation gives rise to a deep learning-based personalized propagation algorithm, called DeepPP. The resulting algorithm combines the personalized propagation of a neural prediction model with the approximate personalized propagation of a neural prediction model from page rank analysis. Four social networks from different domains as well as two COVID-19 datasets were used to demonstrate the efficiency and effectiveness of the proposed algorithm. Compared to other baseline methods, DeepPP provides more accurate social influence predictions. Further, experiments demonstrate that DeepPP can be applied to real-world prediction data for COVID-19.
• Abstract（参考訳）: 社会的影響予測は、マーケティング、行動予測、レコメンデーションシステムなど、多くのドメインに浸透している。 しかし、従来の社会的影響を予測する方法は、ドメインの専門知識を必要とするだけでなく、ユーザー機能の抽出にも依存しています。 さらに、非ユークリッド空間におけるグラフデータを扱うグラフ畳み込みネットワーク(GCN)は、ユークリッド空間に直接適用されない。 これらの問題を克服するため、DeepInfを拡張し、ページランクドメインの遷移確率を介して、COVID-19の社会的影響を予測する。 さらに,この実装によりDeepPPと呼ばれる深層学習に基づくパーソナライズされた伝搬アルゴリズムが実現される。 得られたアルゴリズムは、ニューラルネットワーク予測モデルのパーソナライズされた伝搬と、ページランク分析からニューラルネットワーク予測モデルのパーソナライズされた伝播とを結合する。 提案アルゴリズムの有効性と有効性を実証するために、異なるドメインの4つのソーシャルネットワークと2つのCOVID-19データセットを使用した。 他の基準法と比較して、DeepPPはより正確な社会的影響予測を提供する。 さらに、実験により、deepppがcovid-19の現実世界の予測データに適用できることが示されている。

関連論文リスト

• 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)
• Temporal Link Prediction Using Graph Embedding Dynamics [0.0]
  動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。 時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。 本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
  論文  参考訳（メタデータ） (2024-01-15T07:35:29Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
  複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。 本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
  論文  参考訳（メタデータ） (2021-07-02T08:20:06Z)
• Independent Asymmetric Embedding Model for Cascade Prediction on Social Network [0.49269463638915806]
  Cascade予測は、メッセージをソーシャルネットワークに再投稿する可能性のある個人を予測することを目的としています。 カスケード予測のための社会的埋め込み学習のための独立な非対称埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-05-18T05:40:38Z)
• PIVEN: A Deep Neural Network for Prediction Intervals with Specific Value Prediction [14.635820704895034]
  PIと値予測の両方を生成するディープニューラルネットワークであるPIVENを提案する。 提案手法では,PI内のデータ分布に関する仮定は行わず,実世界の様々な問題に対して,その価値予測をより効果的に行う。
  論文  参考訳（メタデータ） (2020-06-09T09:29:58Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)
• Deep Learning for Content-based Personalized Viewport Prediction of 360-Degree VR Videos [72.08072170033054]
  本稿では、位置データとビデオフレームコンテンツを活用して、将来の頭部の動きを予測するためのディープラーニングネットワークを提案する。 このニューラルネットワークに入力されるデータを最適化するために、このモデルのために、データサンプル率、データ削減、長期予測長についても検討する。
  論文  参考訳（メタデータ） (2020-03-01T07:31:50Z)

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。