論文の概要: Fair Information Spread on Social Networks with Community Structure
- arxiv url: http://arxiv.org/abs/2305.08791v1
- Date: Mon, 15 May 2023 16:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 13:36:40.148251
- Title: Fair Information Spread on Social Networks with Community Structure
- Title（参考訳）: コミュニティ構造をもつソーシャルネットワーク上での公平な情報拡散
- Authors: Octavio Mesner, Elizaveta Levina, Ji Zhu
- Abstract要約: インフルエンス・マキシミザ・オン(IM)アルゴリズムは、情報が提供された場合、ソーシャルネットワークを通じて最も大きなスプレッドを発生させる個人を特定することを目的としている。
この作業は、最適公正情報拡散のためのシードアロケーション戦略を決定するために使用されるソーシャルネットワークにモデルを適用することに依存する。
- 参考スコア（独自算出の注目度）: 2.9613974659787132
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Information spread through social networks is ubiquitous. Influence maximiza-
tion (IM) algorithms aim to identify individuals who will generate the greatest
spread through the social network if provided with information, and have been
largely devel- oped with marketing in mind. In social networks with community
structure, which are very common, IM algorithms focused solely on maximizing
spread may yield signifi- cant disparities in information coverage between
communities, which is problematic in settings such as public health messaging.
While some IM algorithms aim to remedy disparity in information coverage using
node attributes, none use the empirical com- munity structure within the
network itself, which may be beneficial since communities directly affect the
spread of information. Further, the use of empirical network struc- ture allows
us to leverage community detection techniques, making it possible to run
fair-aware algorithms when there are no relevant node attributes available, or
when node attributes do not accurately capture network community structure. In
contrast to other fair IM algorithms, this work relies on fitting a model to
the social network which is then used to determine a seed allocation strategy
for optimal fair information spread. We develop an algorithm to determine
optimal seed allocations for expected fair coverage, defined through maximum
entropy, provide some theoretical guarantees under appropriate conditions, and
demonstrate its empirical accuracy on both simu- lated and real networks.
Because this algorithm relies on a fitted network model and not on the network
directly, it is well-suited for partially observed and noisy social networks.
- Abstract（参考訳）: ソーシャルネットワークに広がる情報はどこにでもある。
影響の最大化 (IM) アルゴリズムは、情報を提供していればソーシャルネットワークを通じて最大限の拡散を生み出す個人を特定することを目的としており、マーケティングを念頭に置いていた。
コミュニティ構造が極めて一般的であるソーシャルネットワークでは、拡散を最大化することだけに焦点を当てたimアルゴリズムは、公衆衛生メッセージングのような設定で問題となる、コミュニティ間の情報カバレッジに不一致をもたらす可能性がある。
一部のIMアルゴリズムは,ノード属性を用いた情報カバレッジの相違を補うことを目的としているが,コミュニティが直接情報拡散に影響を与えるため,ネットワーク自体に経験的コミュニティ構造を用いることはない。
さらに、経験的ネットワークストラクチャーを用いることで、コミュニティ検出技術を活用することができ、ノード属性が存在しない場合や、ノード属性がネットワークコミュニティ構造を正確にキャプチャしていない場合に、フェアアウェアアルゴリズムを実行できる。
他の公正なimアルゴリズムとは対照的に、この研究はモデルをソーシャルネットワークに適合させ、最適な公平な情報拡散のためのシード割り当て戦略を決定するために使用される。
我々は,最大エントロピーで定義し,適切な条件下で理論的な保証を与え,シミュラタッドネットワークと実ネットワークの両方においてその経験的精度を実証するアルゴリズムを開発した。
このアルゴリズムはネットワークモデルに依存しており、直接ネットワークに依存しないため、部分的に観察され、騒々しいソーシャルネットワークに適している。
関連論文リスト
- Networked Communication for Mean-Field Games with Function Approximation and Empirical Mean-Field Estimation [59.01527054553122]
分散エージェントは、経験的システムの単一かつ非エポゾディックな実行から平均フィールドゲームにおける平衡を学ぶことができる。
既存の設定に関数近似を導入し,Munchausen Online Mirror Descent 方式で描画する。
また, エージェントが局所的な周辺地域に基づいて, グローバルな経験分布を推定できる新しいアルゴリズムも提供する。
論文 参考訳（メタデータ） (2024-08-21T13:32:46Z) - Unsupervised Graph Attention Autoencoder for Attributed Networks using
K-means Loss [0.0]
我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。
提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
論文 参考訳（メタデータ） (2023-11-21T20:45:55Z) - Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic
Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。
ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。
また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文 参考訳（メタデータ） (2023-10-30T16:46:05Z) - A Spreader Ranking Algorithm for Extremely Low-budget Influence
Maximization in Social Networks using Community Bridge Nodes [12.691905338833372]
影響最大化(IM)の目的は、特定の情報の拡散を最大化するためのネットワーク内の特定のノードを特定することである。
そこで我々は,K-Shellアルゴリズムを用いて,シードノードとコミュニティ間の接続のスコアを生成するコミュニティ構造に基づくアプローチを提案する。
Independent Cascade(IC)モデルを選択し、情報拡散をシミュレートし、4つの評価指標で評価する。
論文 参考訳（メタデータ） (2022-11-17T16:53:47Z) - Implicit models, latent compression, intrinsic biases, and cheap lunches
in community detection [0.0]
コミュニティ検出は、ネットワークをノードのクラスタに分割して、その大規模な構造を要約することを目的としている。
いくつかのコミュニティ検出手法は、確率的生成モデルを通じてクラスタリングの目的を明示的に導出する。
他の方法は記述的であり、特定のアプリケーションによって動機付けられた目的に応じてネットワークを分割する。
本稿では,コミュニティ検出対象,推論対象,記述対象とそれに対応する暗黙的ネットワーク生成モデルとを関連付けるソリューションを提案する。
論文 参考訳（メタデータ） (2022-10-17T15:38:41Z) - Understanding the network formation pattern for better link prediction [4.8334761517444855]
多重順序局所情報(MOLI)を用いたリンク予測手法を提案する。
MOLIは、異なる距離の隣人からのローカル情報を利用しており、パラメータは事前知識に基づいて事前駆動される。
シミュレーションと実世界の11種類のネットワークにおいて,MOLIが他の11種類のリンク予測アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-10-17T15:30:04Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳（メタデータ） (2021-08-20T12:09:38Z) - Contingency-Aware Influence Maximization: A Reinforcement Learning
Approach [52.109536198330126]
インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。
本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。
最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
論文 参考訳（メタデータ） (2021-06-13T16:42:22Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z)
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。