論文の概要: Influence Maximization with Unknown Individual Effect on General Network
- arxiv url: http://arxiv.org/abs/2301.12226v2
- Date: Wed, 1 May 2024 14:56:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-02 20:50:17.814972
- Title: Influence Maximization with Unknown Individual Effect on General Network
- Title(参考訳): 一般ネットワークにおける未知の個人効果による影響の最大化
- Authors: Xinyan Su, Zhiheng Zhang, Jiyan Qiu, Jun Li,
- Abstract要約: ネットワークに広がる情報を最大化するためのシードセットの同定は、インフルエンス・最大化(IM)と呼ばれる概念が不可欠である。
IMアルゴリズムは、各ノードが個々のエフェクトと呼ばれる特定の重みを持つ場合まで自然に拡張でき、ノードの重要性を測定することができる。
本稿では,因果影響最大化(CauIM)アルゴリズムの開発を通じてこの問題に対処する。
- 参考スコア(独自算出の注目度): 3.4049427793086324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The identification of a seed set to maximize information spread in a network is crucial, a concept known as Influence Maximization (IM). Elegant IM algorithms could naturally extend to cases where each node is equipped with specific weight, referred to as individual effect, to measure the node's importance. Prevailing literature has typically assumed that the individual effect remains constant during the cascade process. However, this assumption is not always feasible, as the individual effect of each node is primarily evaluated by the difference between the outputs in the activated and non-activated states, with one of these states always being unobservable after propagation. Moreover, the individual effect is sensitive to the environmental information provided by surrounding nodes. To address these challenges, we extend the consideration of IM to a broader scenario involving general networks with dynamic node individual effects, leveraging causality techniques. In our paper, we address this through the development of a Causal Influence Maximization (CauIM) algorithm. Theoretically, for CauIM, we present the generalized lower bound of influence spread and provide robustness analysis. Empirically, in synthetic and real-world experiments, we demonstrate the effectiveness and robustness of CauIM, along with a novel acceleration technique.
- Abstract(参考訳): ネットワークに広がる情報を最大化するためのシードセットの識別は、インフルエンス・最大化(IM)と呼ばれる概念が不可欠である。
エレガントIMアルゴリズムは、各ノードが個々のエフェクトと呼ばれる特定の重みを持つ場合に自然に拡張し、ノードの重要性を測定する。
一般的な文献では、個々の効果はカスケード過程の間に一定であると考えられている。
しかしながら、各ノードの個々の効果は、活性化状態と非活性化状態の出力の違いによって主に評価されるため、この仮定は必ずしも実現不可能であるとは限らない。
さらに、個々の効果は、周辺ノードが提供する環境情報に敏感である。
これらの課題に対処するため、我々は、因果関係の手法を利用して、動的ノード個人効果を持つ一般的なネットワークを含む幅広いシナリオにIMの考察を拡張した。
本稿では,因果影響最大化(CauIM)アルゴリズムの開発を通じてこの問題に対処する。
理論的には、CauIMでは、一般化された影響の広がりの低い境界を示し、ロバスト性解析を提供する。
実証実験により,CauIMの有効性とロバスト性を実証し,新しい加速法を提案する。
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。