論文の概要: Beyond Information Exchange: An Approach to Deploy Network Properties
for Information Diffusion
- arxiv url: http://arxiv.org/abs/2212.10805v1
- Date: Wed, 21 Dec 2022 06:56:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 15:48:17.493926
- Title: Beyond Information Exchange: An Approach to Deploy Network Properties
for Information Diffusion
- Title（参考訳）: 情報交換を超えて:情報拡散のためのネットワーク特性の展開
- Authors: Soumita Das, Anupam Biswas, Ravi Kishore Devarapalli
- Abstract要約: 我々は情報拡散のための共通近隣戦略 (CNS) アルゴリズムを提案している。
CNSアルゴリズムの性能は、拡散速度と拡散アウトスプレッドの観点から、複数の実世界のデータセットで評価される。
実験の結果、CNSアルゴリズムは拡散速度と拡散アウトスプレッドの両方において、より良い情報拡散を可能にすることが示された。
- 参考スコア（独自算出の注目度）: 1.80476943513092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Information diffusion in Online Social Networks is a new and crucial problem
in social network analysis field and requires significant research attention.
Efficient diffusion of information are of critical importance in diverse
situations such as; pandemic prevention, advertising, marketing etc. Although
several mathematical models have been developed till date, but previous works
lacked systematic analysis and exploration of the influence of neighborhood for
information diffusion. In this paper, we have proposed Common Neighborhood
Strategy (CNS) algorithm for information diffusion that demonstrates the role
of common neighborhood in information propagation throughout the network. The
performance of CNS algorithm is evaluated on several real-world datasets in
terms of diffusion speed and diffusion outspread and compared with several
widely used information diffusion models. Empirical results show CNS algorithm
enables better information diffusion both in terms of diffusion speed and
diffusion outspread.
- Abstract（参考訳）: オンラインソーシャルネットワークにおける情報拡散は、ソーシャルネットワーク分析分野における新たな重要な問題であり、重要な研究の注意が必要である。
情報の効率的な拡散は、パンデミック予防、広告、マーケティングなど様々な状況において重要である。
これまでにいくつかの数学的モデルが開発されてきたが、以前の研究は情報拡散に対する近隣の影響の体系的な分析と探索に欠けていた。
本稿では,ネットワーク全体の情報伝達における共通近傍の役割を示す,情報拡散のための共通近傍戦略(cns)アルゴリズムを提案する。
CNSアルゴリズムの性能は,拡散速度と拡散アウトスプレッドの観点から実世界の複数のデータセットで評価し,広く利用されている情報拡散モデルと比較した。
CNSアルゴリズムは拡散速度と拡散アウトスプレッドの両方において,より良い情報拡散を可能にする。
関連論文リスト
- An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。
経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。
本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
論文 参考訳（メタデータ） (2024-04-11T14:07:25Z) - Scalable Continuous-time Diffusion Framework for Network Inference and Influence Estimation [27.561806717195054]
本稿では,拡散過程を連続時間力学系とみなし,連続時間拡散モデルを確立する。
次に、モデルをスケーラブルで効果的なフレームワーク(FIM)にインスタンス化し、利用可能なカスケードからの拡散拡散を近似する。
影響推定のためのスケーラビリティを実現するため,高度なサンプリング手法を考案し,効率を大幅に向上させる。
論文 参考訳（メタデータ） (2024-03-05T11:21:18Z) - Collaborative Information Dissemination with Graph-based Multi-Agent
Reinforcement Learning [2.9904113489777826]
本稿では,効率的な情報伝達のためのマルチエージェント強化学習(MARL)手法を提案する。
本稿では,各エージェントが個別にメッセージ転送を決定するための情報発信のための部分観測可能なゲーム(POSG)を提案する。
実験の結果,既存の手法よりも訓練済みの方針が優れていることがわかった。
論文 参考訳（メタデータ） (2023-08-25T21:30:16Z) - Data Forensics in Diffusion Models: A Systematic Analysis of Membership
Privacy [62.16582309504159]
本研究では,拡散モデルに対するメンバシップ推論攻撃の系統的解析を開発し,各攻撃シナリオに適した新しい攻撃手法を提案する。
提案手法は容易に入手可能な量を利用して,現実的なシナリオにおいてほぼ完全な攻撃性能 (>0.9 AUCROC) を達成することができる。
論文 参考訳（メタデータ） (2023-02-15T17:37:49Z) - Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。
フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。
我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
論文 参考訳（メタデータ） (2022-06-05T20:45:01Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Diffusion Source Identification on Networks with Statistical Confidence [12.805268849262246]
拡散源同定のための統計的枠組みを導入し,仮説テストに着想を得た信頼セット推論手法を開発した。
提案手法は,特定の信頼度を持つノードを確実にカバーするノードの小さなサブセットを効率よく生成する。
これは一般ネットワークにおける理論的保証を実質的に有益とする最初の拡散源同定法である。
論文 参考訳（メタデータ） (2021-06-09T04:21:03Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Diffusion Mechanism in Residual Neural Network: Theory and Applications [12.573746641284849]
限られたトレーニングサンプルを持つ多くの学習タスクでは、拡散はラベル付きおよびラベルなしのデータポイントを接続する。
本稿では,ニューラルネットワークのアーキテクチャへの拡散を内部的に導入する新しい拡散残差ネットワーク(Diff-ResNet)を提案する。
構造的データ仮定により,提案した拡散ブロックは,クラス間点の分離性を向上させる距離-距離比を増大させることができることが証明された。
論文 参考訳（メタデータ） (2021-05-07T10:42:59Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。