論文の概要: Causal Influences over Social Learning Networks
- arxiv url: http://arxiv.org/abs/2307.09575v1
- Date: Thu, 13 Jul 2023 04:25:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-23 11:56:02.274042
- Title: Causal Influences over Social Learning Networks
- Title（参考訳）: ソーシャルラーニングネットワークにおける因果関係の影響
- Authors: Mert Kayaalp and Ali H. Sayed
- Abstract要約: 本稿では,ソーシャルグラフによってリンクされたエージェントと,時間とともに相互作用するエージェント間の因果関係について検討する。
エージェント間の全体的な影響をランク付けし、非常に影響力のあるエージェントを発見するアルゴリズムを提案する。
結果と提案アルゴリズムは,合成データと実Twitterデータの両方を考慮し,考察を行った。
- 参考スコア（独自算出の注目度）: 46.723361065955544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates causal influences between agents linked by a social
graph and interacting over time. In particular, the work examines the dynamics
of social learning models and distributed decision-making protocols, and
derives expressions that reveal the causal relations between pairs of agents
and explain the flow of influence over the network. The results turn out to be
dependent on the graph topology and the level of information that each agent
has about the inference problem they are trying to solve. Using these
conclusions, the paper proposes an algorithm to rank the overall influence
between agents to discover highly influential agents. It also provides a method
to learn the necessary model parameters from raw observational data. The
results and the proposed algorithm are illustrated by considering both
synthetic data and real Twitter data.
- Abstract（参考訳）: 本稿では,ソーシャルグラフでリンクされたエージェントと時間とともに相互作用するエージェント間の因果的影響について検討する。
特に、社会学習モデルと分散意思決定プロトコルのダイナミクスを考察し、エージェントのペア間の因果関係を明らかにし、ネットワークへの影響の流れを説明する表現を導出する。
その結果は、グラフトポロジと、各エージェントが解決しようとしている推論問題に関する情報のレベルに依存していることがわかった。
本論文は,これらの結論を用いて,エージェント間の影響をランク付けし,より影響力の高いエージェントを発見するアルゴリズムを提案する。
また、生の観測データから必要なモデルパラメータを学習する方法を提供する。
結果と提案アルゴリズムは,合成データと実Twitterデータの両方を考慮し,考察を行った。
関連論文リスト
- Causal Discovery in Recommender Systems: Example and Discussion [3.013819656993265]
因果関係は人工知能と機械学習のコミュニティから注目を集めている。
本稿では,因果グラフを用いたレコメンデータシステム問題のモデル化例を示す。
論文 参考訳（メタデータ） (2024-09-16T13:31:04Z) - 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) - Causal Influence in Federated Edge Inference [34.487472866247586]
本稿では、未ラベルのストリーミングデータを用いて、接続性のある異種エージェントが推論を行う環境について考察する。
不確実性を克服するために、エージェントは、融合センターを通じてローカルな推論を交換することで互いに協力する。
エージェントの関与パターンや核融合センターの方針を反映した様々なシナリオを考察した。
論文 参考訳（メタデータ） (2024-05-02T13:06:50Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - An Empirical Investigation of Commonsense Self-Supervision with
Knowledge Graphs [67.23285413610243]
大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。
本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
論文 参考訳（メタデータ） (2022-05-21T19:49:04Z) - SMEMO: Social Memory for Trajectory Forecasting [34.542209630734234]
本稿では、外部記憶装置として機能するエンドツーエンドのトレーニング可能なワーキングメモリに基づくニューラルネットワークを提案する。
提案手法は,異なるエージェントの動き間の説明可能な因果関係を学習し,軌跡予測データセットの最先端結果を得ることができることを示す。
論文 参考訳（メタデータ） (2022-03-23T14:40:20Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - The Local Approach to Causal Inference under Network Interference [0.0]
エージェントが社会的・経済的ネットワークにどのようにリンクされているかに依存する場合の因果推論のための新しい非パラメトリックモデリングフレームワークを提案する。
提案手法は, エージェントがネットワーク上でどのようにリンクされているかを, 経路距離によって測定された他のエージェントと接続の設定を用いて特徴付ける。
ポリシーや治療課題の影響は、同様に構成されたエージェントにまたがって結果データをプールすることで学習される。
論文 参考訳（メタデータ） (2021-05-09T01:27:05Z) - Understanding Adversarial Examples from the Mutual Influence of Images
and Perturbations [83.60161052867534]
クリーンな画像と敵の摂動を遠ざけることで敵の例を分析し,その相互への影響を分析した。
以上の結果から,画像と普遍摂動の関係に対する新たな視点が示唆された。
我々は、オリジナルトレーニングデータを活用することなく、目標とするユニバーサルアタックの挑戦的なタスクを最初に達成した人物です。
論文 参考訳（メタデータ） (2020-07-13T05:00:09Z)
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。