Fugu-MT 論文翻訳(概要): Influencer Detection with Dynamic Graph Neural Networks

論文の概要: Influencer Detection with Dynamic Graph Neural Networks

arxiv url: http://arxiv.org/abs/2211.09664v1
Date: Tue, 15 Nov 2022 13:00:25 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 15:43:04.254443
Title: Influencer Detection with Dynamic Graph Neural Networks
Title（参考訳）: 動的グラフニューラルネットワークによるインフルエンサー検出
Authors: Elena Tiukhova, Emiliano Penaloza, Mar\'ia \'Oskarsd\'ottir, Hernan Garcia, Alejandro Correa Bahnsen, Bart Baesens, Monique Snoeck, Cristi\'an Bravo
Abstract要約: インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
参考スコア（独自算出の注目度）: 56.1837101824783
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Leveraging network information for prediction tasks has become a common practice in many domains. Being an important part of targeted marketing, influencer detection can potentially benefit from incorporating dynamic network representation. In this work, we investigate different dynamic Graph Neural Networks (GNNs) configurations for influencer detection and evaluate their prediction performance using a unique corporate data set. We show that using deep multi-head attention in GNN and encoding temporal attributes significantly improves performance. Furthermore, our empirical evaluation illustrates that capturing neighborhood representation is more beneficial that using network centrality measures.
Abstract（参考訳）: 予測タスクにネットワーク情報を活用することは、多くのドメインで一般的なプラクティスとなっている。ターゲットとするマーケティングの重要な部分であるインフルエンサー検出は、動的ネットワーク表現を組み込むことの恩恵を受ける可能性がある。本研究では、インフルエンサー検出のための異なる動的グラフニューラルネットワーク(GNN)構成を調査し、ユニークな企業データセットを用いて予測性能を評価する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。さらに, ネットワーク集中度を用いた場合よりも, 近隣の表現を捉える方が有益であることを示す。

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)
Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-09-12T09:18:12Z)
INFLECT-DGNN: Influencer Prediction with Dynamic Graph Neural Networks [4.677411878315618]
INFLuencer prEdiCTion with Dynamic Graph Neural Networks (GNN) and Recurrent Neural Networks (RNN)について述べる。モデル予測に基づく意思決定を支援する,新たな利益主導型フレームワークを提案する。我々の研究は、参照とターゲットマーケティングの分野に重大な影響を及ぼす。
論文参考訳（メタデータ） (2023-07-16T19:04:48Z)
Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
論文参考訳（メタデータ） (2022-07-14T10:59:39Z)
On the role of feedback in visual processing: a predictive coding perspective [0.6193838300896449]
我々は、フィードフォワード視覚処理のモデルとして深層畳み込みネットワーク(CNN)を検討し、予測符号化(PC)ダイナミクスを実装した。ノイズレベルが増加するにつれて、ネットワークはますますトップダウンの予測に依存している。さらに,PCダイナミクスを実装するネットワークの精度は,等価なフォワードネットワークに比べて時間経過とともに著しく向上する。
論文参考訳（メタデータ） (2021-06-08T10:07:23Z)
Scene Understanding for Autonomous Driving [0.0]
Detectron2で提示されたRetinaNet, Faster R-CNN, Mask R-CNNの異なる構成の挙動を検討する。関心のあるデータセット上でこれらのモデルを微調整した後、パフォーマンスの大幅な改善を観察します。文脈外のデータセットを用いて異常な状況下で推論を行い、興味深い結果を示す。
論文参考訳（メタデータ） (2021-05-11T09:50:05Z)
Topological Uncertainty: Monitoring trained neural networks through persistence of activation graphs [0.9786690381850356]
産業アプリケーションでは、オープンワールド設定から得られるデータは、ネットワークがトレーニングされたベンチマークデータセットと大きく異なる可能性がある。活性化グラフのトポロジ的特性に基づいて訓練されたニューラルネットワークを監視する手法を開発している。
論文参考訳（メタデータ） (2021-05-07T14:16:03Z)
Variational Structured Attention Networks for Deep Visual Representation Learning [49.80498066480928]
空間的注意マップとチャネル的注意の両方を原則的に共同学習するための統合的深層フレームワークを提案する。具体的には,確率的表現学習フレームワークに注目度の推定と相互作用を統合する。ニューラルネットワーク内で推論ルールを実装し,確率パラメータとcnnフロントエンドパラメータのエンドツーエンド学習を可能にする。
論文参考訳（メタデータ） (2021-03-05T07:37:24Z)
Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-28T17:55:04Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。