論文の概要: CasCIFF: A Cross-Domain Information Fusion Framework Tailored for
Cascade Prediction in Social Networks
- arxiv url: http://arxiv.org/abs/2308.04961v1
- Date: Wed, 9 Aug 2023 13:52:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 13:23:34.375961
- Title: CasCIFF: A Cross-Domain Information Fusion Framework Tailored for
Cascade Prediction in Social Networks
- Title(参考訳): casciff:ソーシャルネットワークにおけるカスケード予測のためのクロスドメイン情報融合フレームワーク
- Authors: Hongjun Zhu, Shun Yuan, Xin Liu, Kuo Chen, Chaolong Jia and Ying Qian
- Abstract要約: クロスドメイン情報融合フレームワーク(CasCIFF)は、情報カスケード予測に最適化されている。
このフレームワークは、ユーザ埋め込みを堅牢にするために、マルチホップ近隣情報を利用する。
特に、CasCIFFは、ユーザ分類とカスケード予測のタスクをシームレスに統合されたフレームワークに統合します。
- 参考スコア(独自算出の注目度): 4.480256642939794
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Existing approaches for information cascade prediction fall into three main
categories: feature-driven methods, point process-based methods, and deep
learning-based methods. Among them, deep learning-based methods, characterized
by its superior learning and representation capabilities, mitigates the
shortcomings inherent of the other methods. However, current deep learning
methods still face several persistent challenges. In particular, accurate
representation of user attributes remains problematic due to factors such as
fake followers and complex network configurations. Previous algorithms that
focus on the sequential order of user activations often neglect the rich
insights offered by activation timing. Furthermore, these techniques often fail
to holistically integrate temporal and structural aspects, thus missing the
nuanced propagation trends inherent in information cascades.To address these
issues, we propose the Cross-Domain Information Fusion Framework (CasCIFF),
which is tailored for information cascade prediction. This framework exploits
multi-hop neighborhood information to make user embeddings robust. When
embedding cascades, the framework intentionally incorporates timestamps,
endowing it with the ability to capture evolving patterns of information
diffusion. In particular, the CasCIFF seamlessly integrates the tasks of user
classification and cascade prediction into a consolidated framework, thereby
allowing the extraction of common features that prove useful for all tasks, a
strategy anchored in the principles of multi-task learning.
- Abstract(参考訳): 既存の情報カスケード予測のアプローチは,特徴駆動手法,ポイントプロセスに基づく手法,深層学習に基づく3つのカテゴリに分類される。
その中でも、優れた学習能力と表現能力によって特徴付けられる深層学習に基づく手法は、他の方法固有の欠点を緩和する。
しかし、現在のディープラーニング手法は、まだいくつかの永続的な課題に直面している。
特に、フェイクフォロワーや複雑なネットワーク構成などの要因により、ユーザ属性の正確な表現が問題となっている。
ユーザのアクティベーションの順序にフォーカスする以前のアルゴリズムは、アクティベーションタイミングによって提供される豊富な洞察を無視することが多い。
さらに,これらの手法は時間的・構造的側面の一体化に失敗することが多く,情報カスケード固有の伝播傾向を欠いているため,情報カスケード予測に適したクロスドメイン情報融合フレームワーク(CasCIFF)を提案する。
このフレームワークはマルチホップ近隣情報を利用してユーザ埋め込みを堅牢にする。
カスケードを組み込むとき、フレームワークは意図的にタイムスタンプを組み込んで、情報拡散の進化パターンをキャプチャする能力を持つ。
特に、CasCIFFは、ユーザ分類とカスケード予測のタスクをシームレスに統合されたフレームワークに統合し、マルチタスク学習の原則に根ざした戦略である、すべてのタスクに有用な共通の特徴の抽出を可能にする。
関連論文リスト
- Point Cloud Understanding via Attention-Driven Contrastive Learning [64.65145700121442]
トランスフォーマーベースのモデルは、自己認識機構を活用することにより、先進的なポイントクラウド理解を持つ。
PointACLは、これらの制限に対処するために設計された、注意駆動のコントラスト学習フレームワークである。
本手法では, 注意駆動型動的マスキング手法を用いて, モデルが非集中領域に集中するように誘導する。
論文 参考訳(メタデータ) (2024-11-22T05:41:00Z) - Resilience to the Flowing Unknown: an Open Set Recognition Framework for Data Streams [6.7236795813629]
本研究では、分類とクラスタリングを組み合わせて、ストリーミングシナリオにおけるテキストオーバ占有空間問題に対処するオープンセット認識フレームワークの適用について検討する。
論文 参考訳(メタデータ) (2024-10-31T11:06:54Z) - Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks [51.54002032659713]
カスケード予測のための階層型情報拡張ネットワーク(HIENet)を提案する。
本手法では,基本カスケードシーケンス,ユーザソーシャルグラフ,サブカスケードグラフを統合フレームワークに統合する。
論文 参考訳(メタデータ) (2024-03-22T14:57:27Z) - Complementary Learning Subnetworks for Parameter-Efficient
Class-Incremental Learning [40.13416912075668]
本稿では,2つの補完学習サブネットワークス間のシナジーを通じて連続的に学習するリハーサルフリーなCILアプローチを提案する。
提案手法は, 精度向上, メモリコスト, トレーニング効率, タスク順序など, 最先端手法と競合する結果が得られる。
論文 参考訳(メタデータ) (2023-06-21T01:43:25Z) - Hierarchically Structured Task-Agnostic Continual Learning [0.0]
本研究では,連続学習のタスク非依存的な視点を取り入れ,階層的情報理論の最適性原理を考案する。
我々は,情報処理経路の集合を作成することで,忘れを緩和する,Mixture-of-Variational-Experts層と呼ばれるニューラルネットワーク層を提案する。
既存の連続学習アルゴリズムのようにタスク固有の知識を必要としない。
論文 参考訳(メタデータ) (2022-11-14T19:53:15Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳(メタデータ) (2021-12-17T12:47:18Z) - Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。
我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。
提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
論文 参考訳(メタデータ) (2021-10-05T15:39:11Z) - Supervised Feature Selection Techniques in Network Intrusion Detection:
a Critical Review [9.177695323629896]
機械学習技術は、ネットワーク侵入検出の貴重なサポートになりつつある。
データトラフィックを特徴付ける膨大な多様性と多数の機能に対処することは難しい問題です。
機能領域を縮小し、最も重要な機能のみを保持することで、FS(Feature Selection)はネットワーク管理において重要な前処理ステップとなる。
論文 参考訳(メタデータ) (2021-04-11T08:42:01Z) - Incremental Embedding Learning via Zero-Shot Translation [65.94349068508863]
現在の最先端のインクリメンタル学習手法は、従来の分類ネットワークにおける破滅的な忘れ方問題に取り組む。
ゼロショット変換クラス増分法(ZSTCI)と呼ばれる新しい組込みネットワークのクラス増分法を提案する。
さらに、ZSTCIを既存の正規化ベースのインクリメンタル学習手法と組み合わせることで、組み込みネットワークの性能をより向上させることができる。
論文 参考訳(メタデータ) (2020-12-31T08:21:37Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳(メタデータ) (2020-06-20T03:29:02Z)
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。