論文の概要: Unveiling Environmental Sensitivity of Individual Gains in Influence Maximization

• arxiv url: http://arxiv.org/abs/2301.12226v3
• Date: Tue, 10 Dec 2024 11:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:33:22.532632
• Title: Unveiling Environmental Sensitivity of Individual Gains in Influence Maximization
• Title（参考訳）: 影響最大化における個人利得の環境感受性の解放
• Authors: Xinyan Su, Zhiheng Zhang, Jiyan Qiu,
• Abstract要約: 本稿では、因果影響の最大化フレームワークを導入し、G-CauIMとA-CauIMの2つのアルゴリズムを開発した。 本稿では,アルゴリズムの有効性とロバスト性を実証する。
• 参考スコア（独自算出の注目度）: 0.6144680854063939
• License:
• Abstract: Influence Maximization (IM) is to identify the seed set to maximize information dissemination in a network. Elegant IM algorithms could naturally extend to cases where each node is equipped with a specific weight, reflecting individual gains to measure the node's importance. Prevailing literature typically assumes such individual gains remain constant throughout the cascade process and are solvable through explicit formulas based on the node's characteristics and network topology. However, this assumption is not always feasible for two reasons: 1)Unobservability: The individual gains of each node are primarily evaluated by the difference between the outputs in the activated and non-activated states. In practice, we can only observe one of these states, with the other remaining unobservable post-propagation. 2)Environmental sensitivity: In addition to the node's inherent properties, individual gains are also sensitive to the activation status of surrounding nodes, which is dynamic during iteration even when the network topology remains static. To address these challenges, we extend the consideration of IM to a broader scenario with dynamic node individual gains, leveraging causality techniques. In our paper, we introduce a Causal Influence Maximization (CauIM) framework and develop two algorithms, G-CauIM and A-CauIM, where the latter incorporates a novel acceleration technique. Theoretically, we establish 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 our algorithms.
• Abstract（参考訳）: 影響の最大化(IM)とは、ネットワーク内の情報拡散を最大化するシードセットを特定することである。 エレガントIMアルゴリズムは、各ノードが特定の重みを持つ場合に自然に拡張することができ、ノードの重要性を測定するために個々のゲインを反映する。 一般的な文献では、そのような個々のゲインはカスケード過程を通して一定であり、ノードの特性とネットワークトポロジーに基づいた明示的な公式によって解決可能であると仮定している。 可観測性: 各ノードの個々のゲインは、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。 実際には、これらの状態のうちの1つしか観察できないが、残りは観測不可能なポストプロパゲーションである。 2)環境感度: ノード固有の特性に加えて, ネットワークトポロジが静的である場合でも, 周辺ノードの活性化状態にも敏感である。 これらの課題に対処するため、我々は、因果関係の手法を活用して、動的ノード個別ゲインによるより広いシナリオにIMの考察を拡張した。 本稿では、因果影響最大化(CauIM)フレームワークを導入し、G-CauIMとA-CauIMの2つのアルゴリズムを開発した。 理論的には、一般化された影響拡散の低境界を確立し、ロバスト性解析を提供する。 経験的に、人工的および実世界の実験では、アルゴリズムの有効性とロバスト性を実証する。

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。