論文の概要: Jointly Complementary&Competitive Influence Maximization with Concurrent Ally-Boosting and Rival-Preventing

• arxiv url: http://arxiv.org/abs/2302.09620v1
• Date: Sun, 19 Feb 2023 16:41:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 17:34:07.009305
• Title: Jointly Complementary&Competitive Influence Maximization with Concurrent Ally-Boosting and Rival-Preventing
• Title（参考訳）: コンカレント・アリーブースティングと競合防止による相補的競争的影響最大化
• Authors: Qihao Shi, Wenjie Tian, Wujian Yang, Mengqi Xue, Can Wang, Minghui Wu
• Abstract要約: C$2$ICモデルは、相補的および競合的な影響が多エージェント環境下で包括的に広がると考えている。 NP-hardの問題を示し、影響促進問題と影響遮断問題を一般化することができる。 そこで本研究では,実ソーシャルネットワーク上で広範囲に実験を行い,提案アルゴリズムの有効性を実証した。
• 参考スコア（独自算出の注目度）: 9.733562634063167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a new influence spread model, namely, Complementary\&Competitive Independent Cascade (C$^2$IC) model. C$^2$IC model generalizes three well known influence model, i.e., influence boosting (IB) model, campaign oblivious (CO)IC model and the IC-N (IC model with negative opinions) model. This is the first model that considers both complementary and competitive influence spread comprehensively under multi-agent environment. Correspondingly, we propose the Complementary\&Competitive influence maximization (C$^2$IM) problem. Given an ally seed set and a rival seed set, the C$^2$IM problem aims to select a set of assistant nodes that can boost the ally spread and prevent the rival spread concurrently. We show the problem is NP-hard and can generalize the influence boosting problem and the influence blocking problem. With classifying the different cascade priorities into 4 cases by the monotonicity and submodularity (M\&S) holding conditions, we design 4 algorithms respectively, with theoretical approximation bounds provided. We conduct extensive experiments on real social networks and the experimental results demonstrate the effectiveness of the proposed algorithms. We hope this work can inspire abundant future exploration for constructing more generalized influence models that help streamline the works of this area.
• Abstract（参考訳）: 本稿では,新しい影響拡散モデル,すなわち相補的非競合的独立カスケード(c$^2$ic)モデルを提案する。 C$^2$ICモデルは、影響力増強(IB)モデル、キャンペーンオブリブラス(CO)ICモデル、ネガティブな意見を持つIC-N(ICモデル)モデルの3つのよく知られた影響モデルを一般化する。 これは、補完的および競争的な影響が多エージェント環境下で包括的に広がると考える最初のモデルである。 これに対応して,Complementary\&Competitive influence maximization (C$^2$IM) 問題を提案する。 アリシードセットと競合シードセットが与えられた場合、C$^2$IM問題は、アリスプレッドを強化し、競合スプレッドを同時に防止できるアシスタントノードのセットを選択することを目的としている。 この問題はnp-hardであり,影響促進問題と影響ブロック問題を一般化できることを示す。 異なるカスケード優先度をモノトニック性とサブモジュラリティ(m\&s)保持条件によって4つのケースに分類し、それぞれ4つのアルゴリズムを理論的近似境界で設計する。 そこで本研究では,実ソーシャルネットワーク上で広範囲に実験を行い,提案アルゴリズムの有効性を実証した。 この研究が、この分野の作業を合理化するのに役立つより一般化した影響モデルを構築するための、豊富な将来の探索を刺激できることを願っている。

関連論文リスト

• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Online Influence Maximization under Decreasing Cascade Model [18.536030474361723]
  カスケード減少モデル(DC)に基づくオンラインインフルエンス(OIM)について検討する。 DCでは、影響の試行が成功する確率は、以前の失敗で減少する。 提案手法は, ICモデル上での最先端の作業と同じ順序で, 遺残境界を達成できるDC-UCBアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-19T07:38:36Z)
• GCoNet+: A Stronger Group Collaborative Co-Salient Object Detector [156.43671738038657]
  本稿では,GCoNet+と呼ばれる新しいグループ協調学習ネットワークを提案する。 GCoNet+は自然界における共存対象を効果的かつ効率的に識別することができる。
  論文  参考訳（メタデータ） (2022-05-30T23:49:19Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)
• Influence Maximization Under Generic Threshold-based Non-submodular Model [1.5780411262109524]
  社会的影響の概念は、ソーシャルネットワークから最も影響力のあるノード(シードノード)の数を選択し、彼らが共同で最大の影響の拡散をトリガーできるようにすることです。 本稿では,ネットワークグラフを用いた一般化されたしきい値ベースモデルであるインフルエンサーバリケードモデルにおける種選択戦略を提案する。 私たちの知る限りでは、これは非サブモジュラーな影響を直接取り扱う最初のグラフベースのアプローチです。
  論文  参考訳（メタデータ） (2020-12-18T16:14:49Z)
• Correlation Robust Influence Maximization [5.508091917582913]
  本稿では,影響問題に対する分布的ロバストなモデルを提案する。 最悪の相関の下での期待される影響を最大化する種集合を求める。 この最悪の影響を効率的に計算できることが示される。
  論文  参考訳（メタデータ） (2020-10-24T04:43:56Z)
• Effects of Model Misspecification on Bayesian Bandits: Case Studies in UX Optimization [8.704145252476705]
  我々は、新しい定式化を、保存されていない共同創設者とオプションの停止を伴う、安静な睡眠バンディットとして提示する。 ケーススタディは、一般的な不特定が最適以下の報酬につながることを示している。 また、レスレスバンディットにおける結合を利用した最初のモデルを示し、有限の後悔と高速で一貫した停止が可能であることを示した。
  論文  参考訳（メタデータ） (2020-10-07T14:34:28Z)

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。