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
- 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) - IENE: Identifying and Extrapolating the Node Environment for Out-of-Distribution Generalization on Graphs [10.087216264788097]
ノードレベルの環境識別と外挿技術に基づくグラフのOOD一般化手法であるIENEを提案する。
モデルが2つの粒度から不変性を同時に抽出する能力を強化し、一般化が向上する。
論文 参考訳(メタデータ) (2024-06-02T14:43:56Z) - Understanding Virtual Nodes: Oversmoothing, Oversquashing, and Node Heterogeneity [4.59357989139429]
仮想ノード(VN)によるMPNNの拡張は、さまざまなベンチマークのパフォーマンス向上に寄与している。
VNは、通常、表現力を維持するための非平滑化アプローチの複製を避ける。
グラフ構造に基づいてノードに対して異なる感度を持つ計算複雑性を持つVNの変種を提案する。
論文 参考訳(メタデータ) (2024-05-22T10:51:12Z) - 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) - STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。
最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。
負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
論文 参考訳(メタデータ) (2023-01-25T03:21:42Z) - 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) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳(メタデータ) (2021-04-17T20:00:40Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳(メタデータ) (2020-06-21T19:45:30Z) - The Effects of Randomness on the Stability of Node Embeddings [5.126380982787905]
グラフに5つのノード埋め込みアルゴリズムを適用し,その安定性をランダムに評価する。
ノードの中心性に依存しない埋め込み空間の幾何学において重要な不安定性を見出す。
これは、ノードの埋め込みを扱う場合、不安定性の影響を考慮する必要があることを示唆している。
論文 参考訳(メタデータ) (2020-05-20T13:36:09Z)
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。