論文の概要: Deep Graph Representation Learning and Optimization for Influence
Maximization
- arxiv url: http://arxiv.org/abs/2305.02200v2
- Date: Sat, 6 May 2023 15:02:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 19:50:58.675261
- Title: Deep Graph Representation Learning and Optimization for Influence
Maximization
- Title(参考訳): 影響最大化のための深層グラフ表現学習と最適化
- Authors: Chen Ling, Junji Jiang, Junxiang Wang, My Thai, Lukas Xue, James Song,
Meikang Qiu, Liang Zhao
- Abstract要約: インフルエンサー(IM)は、ソーシャルネットワークから初期ユーザのセットを選択して、影響を受けたユーザの期待人数を最大化する。
本稿では,シードセットの潜在表現を生成的に特徴付けるための新しいフレームワークであるDeepIMを提案する。
また、フレキシブルなノード分散性に基づく予算制約の下で最適なシードセットを推論する新たな目的関数を設計する。
- 参考スコア(独自算出の注目度): 10.90744025490539
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Influence maximization (IM) is formulated as selecting a set of initial users
from a social network to maximize the expected number of influenced users.
Researchers have made great progress in designing various traditional methods,
and their theoretical design and performance gain are close to a limit. In the
past few years, learning-based IM methods have emerged to achieve stronger
generalization ability to unknown graphs than traditional ones. However, the
development of learning-based IM methods is still limited by fundamental
obstacles, including 1) the difficulty of effectively solving the objective
function; 2) the difficulty of characterizing the diversified underlying
diffusion patterns; and 3) the difficulty of adapting the solution under
various node-centrality-constrained IM variants. To cope with the above
challenges, we design a novel framework DeepIM to generatively characterize the
latent representation of seed sets, and we propose to learn the diversified
information diffusion pattern in a data-driven and end-to-end manner. Finally,
we design a novel objective function to infer optimal seed sets under flexible
node-centrality-based budget constraints. Extensive analyses are conducted over
both synthetic and real-world datasets to demonstrate the overall performance
of DeepIM. The code and data are available at:
https://github.com/triplej0079/DeepIM.
- Abstract(参考訳): 影響最大化(IM)は、ソーシャルネットワークから初期ユーザのセットを選択して、影響を受けたユーザの期待人数を最大化するものである。
研究者は様々な伝統的な手法の設計に大きな進歩を遂げており、理論設計と性能向上は限界に近づいている。
近年,学習に基づくIM手法が出現し,未知のグラフに対して従来の手法よりも強力な一般化が可能となった。
しかし、学習に基づくIM手法の開発は、依然として基本的な障害によって制限されている。
1) 目的機能を効果的に解決することの難しさ
2)多様化した拡散パターンを特徴付けることの難しさ
3) 様々なノード分散制約IM変種下での解の適応が困難である。
以上の課題に対処するため、種集合の潜在表現を生成的特徴付ける新しいフレームワークDeepIMを設計し、データ駆動・エンドツーエンド方式で多種多様な情報拡散パターンを学習することを提案する。
最後に,柔軟なノード集中度に基づく予算制約の下で最適なシード集合を推定する新しい目的関数を設計する。
DeepIMの総合的な性能を示すために、合成データセットと実世界のデータセットの両方で大規模な分析を行った。
コードとデータは、https://github.com/triplej0079/DeepIM.comで入手できる。
関連論文リスト
- Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。
AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。
AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
論文 参考訳(メタデータ) (2024-03-12T11:48:49Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳(メタデータ) (2024-01-01T10:20:01Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - A Survey on Influence Maximization: From an ML-Based Combinatorial
Optimization [2.9882027965916413]
影響最大化(IM)は、モバイルネットワーク、ソーシャルコンピューティング、レコメンデーションシステムで広く用いられる古典的な最適化問題である。
主な課題は、IM問題のNP硬度と、影響力の広がりを推定する#P硬度である。
我々は,関連する背景知識,基本原則,共通手法,応用研究の要約に重点を置いている。
論文 参考訳(メタデータ) (2022-11-06T10:13:42Z) - ToupleGDD: A Fine-Designed Solution of Influence Maximization by Deep
Reinforcement Learning [4.266866385061998]
本稿では、影響最大化(IM)問題に対処するため、新しいエンドツーエンドDRLフレームワークToupleGDDを提案する。
我々のモデルは、小さな予算でランダムに生成されたいくつかの小さなグラフで訓練され、様々な大きな予算の下で全く異なるネットワークでテストされる。
論文 参考訳(メタデータ) (2022-10-14T03:56:53Z) - 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) - Versatile Multi-Modal Pre-Training for Human-Centric Perception [32.62404509079062]
本稿では,効果的な表現学習のための人間中心型マルチモーダルコントラスト学習フレームワークHCMoCoを提案する。
モーダル不変潜在空間を階層的に学習することで、サンプル内コントラスト学習とスパース構造対応コントラスト学習を目標とする。
異なるモードの下流4つのタスクの実験によりHCMoCoの有効性が示された。
論文 参考訳(メタデータ) (2022-03-25T17:58:29Z) - Local Learning Matters: Rethinking Data Heterogeneity in Federated
Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文 参考訳(メタデータ) (2021-11-28T19:03:39Z) - Learning MDPs from Features: Predict-Then-Optimize for Sequential
Decision Problems by Reinforcement Learning [52.74071439183113]
我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。
2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
論文 参考訳(メタデータ) (2021-06-06T23:53:31Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z)
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。