Fugu-MT 論文翻訳(概要): Causal Influence Maximization in Hypergraph

論文の概要: Causal Influence Maximization in Hypergraph

arxiv url: http://arxiv.org/abs/2301.12226v1
Date: Sat, 28 Jan 2023 15:34:03 GMT
ステータス: 処理完了
システム内更新日: 2023-01-31 18:20:04.176379
Title: Causal Influence Maximization in Hypergraph
Title（参考訳）: ハイパーグラフにおける因果影響最大化
Authors: Xinyan Su, Zhiheng Zhang
Abstract要約: インフルエンス・最大化(IM)とは、あるネットワーク内の一定の数のシードノードを選択し、拡散効果を最大化するタスクである。感染者の個別治療効果(ITE)の総和を最大化するために,textbfCauIMと呼ばれる新しいアルゴリズムを導入する。
参考スコア（独自算出の注目度）: 0.8185725740857595
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Influence Maximization (IM) is the task of selecting a fixed number of seed nodes in a given network to maximize dissemination benefits. Although the research for efficient algorithms has been dedicated recently, it is usually neglected to further explore the graph structure and the objective function inherently. With this motivation, we take the first attempt on the hypergraph-based IM with a novel causal objective. We consider the case that each hypergraph node carries specific attributes with Individual Treatment Effect (ITE), namely the change of potential outcomes before/after infections in a causal inference perspective. In many scenarios, the sum of ITEs of the infected is a more reasonable objective for influence spread, whereas it is difficult to achieve via current IM algorithms. In this paper, we introduce a new algorithm called \textbf{CauIM}. We first recover the ITE of each node with observational data and then conduct a weighted greedy algorithm to maximize the sum of ITEs of the infected. Theoretically, we mainly present the generalized lower bound of influence spread beyond the well-known $(1-\frac{1}{e})$ optimal guarantee and provide the robustness analysis. Empirically, in real-world experiments, we demonstrate the effectiveness and robustness of \textbf{CauIM}. It outperforms the previous IM and randomized methods significantly.
Abstract（参考訳）: インフルエンス・最大化(IM)とは、あるネットワーク内の一定の数のシードノードを選択し、拡散効果を最大化するタスクである。近年,効率的なアルゴリズムの研究が盛んに行われているが,グラフ構造や目的関数のさらなる探索は無視されることが多い。このモチベーションにより、我々は新たな因果目的を持つハイパーグラフベースのIMの最初の試みを行う。それぞれのハイパーグラフノードが個別治療効果(ITE)の特定の属性を持つ場合,すなわち感染前後の潜在的な結果の変化を因果推論の観点から検討する。多くのシナリオにおいて、感染したITEの総和は影響を広げる上でより合理的な目的であるが、現在のIMアルゴリズムでは達成が困難である。本稿では,新しいアルゴリズムである \textbf{cauim} を提案する。まず,各ノードの ite を観測データで復元し,重み付けした greedy アルゴリズムにより感染した各ノードの ite の総和を最大化する。理論的には、よく知られた$(1-\frac{1}{e})$の最適保証を超えて広がる一般化された下界の影響を示し、ロバスト性解析を提供する。実世界実験において、実世界実験では、 \textbf{cauim} の有効性と頑健性を示す。従来のIMやランダム化手法よりも大幅に優れています。

関連論文リスト

Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding [2.654975444537834]
多くのネットワーク研究の鍵となる疑問は、観測された単位間の相関は、主に感染や潜伏によるものであるかである。ネットワーク因果効果の推定手法を提案する。実世界のネットワークを用いて,合成データによる手法の有効性と仮定の有効性を評価する。
論文参考訳（メタデータ） (2024-11-02T22:12:44Z)
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)
dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
論文参考訳（メタデータ） (2023-06-02T11:19:50Z)
Understanding Influence Maximization via Higher-Order Decomposition [6.542119695695405]
影響の最大化(IM)はここ数十年で大きな注目を集めている。この研究は、ソボル指数を用いた個々の種子とその高次相互作用への影響を識別する。過剰選択ノードによる現行のIMアルゴリズムの性能向上のために,SIMと呼ばれるIMアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-07-16T04:44:16Z)
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)
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)
Localisation determines the optimal noise rate for quantum transport [68.8204255655161]
1D鎖の局在と最適脱落速度について検討した。単純なパワー法則は、サイズに依存しない応答とサイズに依存しない応答の間の相互作用をキャプチャする。中間温度と高温では関係が保たれるが、低温では崩壊する。
論文参考訳（メタデータ） (2021-06-23T17:52:16Z)
On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
論文参考訳（メタデータ） (2021-01-19T02:04:00Z)

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。