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
- A Fast Algorithm for Moderating Critical Nodes via Edge Removal [19.130541561303293]
対象ノードの情報集中度を最小限に抑えるために,ネットワークから$k$エッジを除去する問題について検討する。
ランダムウォークに基づくシュア補数近似や高速和推定などの新しい手法を用いて、3つの近似グリードアルゴリズムを提案する。
理論的解析を補完するため、100万以上のノードを持つ合成および実ネットワークに関する包括的な実験を行う。
論文 参考訳(メタデータ) (2023-09-09T13:54:34Z) - Resisting Graph Adversarial Attack via Cooperative Homophilous
Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。
本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。
本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文 参考訳(メタデータ) (2022-11-15T11:44:31Z) - Towards Better Out-of-Distribution Generalization of Neural Algorithmic
Reasoning Tasks [51.8723187709964]
ニューラルネットワーク推論タスクのOOD一般化について検討する。
目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
論文 参考訳(メタデータ) (2022-11-01T18:33:20Z) - 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) - Learning Causal Effects on Hypergraphs [33.41001768564952]
我々は因果性の観点からハイパーグラフを研究する。
本研究では,高次干渉モデルについて検討し,ハイパーグラフニューラルネットワークを用いた新たな因果学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-07T23:14:10Z) - 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) - Identifying critical nodes in complex networks by graph representation
learning [2.304938062591095]
影響は臨界ノードの採掘における主要な問題の一つである。
IMGNNは、ネットワーク内のノードの集中度を入力とし、最適な初期スプレッドラー内のノードを出力とするグラフ学習フレームワークである。
IMGNNは、ヒトベースのアルゴリズムよりも、固定感染規模で初期スプレッドラーのサイズを最小化するのに効率的である。
論文 参考訳(メタデータ) (2022-01-20T03:41:22Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Stochastic Hard Thresholding Algorithms for AUC Maximization [49.00683387735522]
分散分類におけるAUCのためのハードしきい値決定アルゴリズムを開発した。
提案アルゴリズムの有効性と有効性を示す実験を行った。
論文 参考訳(メタデータ) (2020-11-04T16:49:29Z) - SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。
SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文 参考訳(メタデータ) (2020-10-04T00:14:57Z)
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。