論文の概要: Neural Influence Estimator: Towards Real-time Solutions to Influence Blocking Maximization

• arxiv url: http://arxiv.org/abs/2308.14012v1
• Date: Sun, 27 Aug 2023 06:16:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 17:36:48.306137
• Title: Neural Influence Estimator: Towards Real-time Solutions to Influence Blocking Maximization
• Title（参考訳）: ニューラルインフルエンス推定器:ブロック最大化に影響を及ぼすリアルタイム解を目指して
• Authors: Wenjie Chen, Shengcai Liu, Yew-Soon Ong, Ke Tang
• Abstract要約: この研究は、数十万のノードとエッジを数秒でIBMの問題を解決する新しいアプローチを提示している。 鍵となるアイデアは、時間集約的なモンテカルロシミュレーションの代替として、神経影響推定器(NIE)と呼ばれる高速で評価可能な代理モデルを構築することである。
• 参考スコア（独自算出の注目度）: 45.032756658258535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time solutions to the influence blocking maximization (IBM) problems are crucial for promptly containing the spread of misinformation. However, achieving this goal is non-trivial, mainly because assessing the blocked influence of an IBM problem solution typically requires plenty of expensive Monte Carlo simulations (MCSs). Although several approaches have been proposed to enhance efficiency, they still fail to achieve real-time solutions to IBM problems of practical scales. This work presents a novel approach that enables solving IBM problems with hundreds of thousands of nodes and edges in seconds. The key idea is to construct a fast-to-evaluate surrogate model, called neural influence estimator (NIE), as a substitute for the time-intensive MCSs. To this end, a learning problem is formulated to build the NIE that takes the false-and-true information instance as input, extracts features describing the topology and inter-relationship between two seed sets, and predicts the blocked influence. A well-trained NIE can generalize across different IBM problems defined on a social network, and can be readily combined with existing IBM optimization algorithms such as the greedy algorithm. The experiments on 25 IBM problems with up to millions of edges show that the NIE-based optimization method can be up to four orders of magnitude faster than MCSs-based optimization method to achieve the same solution quality. Moreover, given a real-time constraint of one minute, the NIE-based method can solve IBM problems with up to hundreds of thousands of nodes, which is at least one order of magnitude larger than what can be solved by existing methods.
• Abstract（参考訳）: インフルエンスブロッキング最大化(ibm)問題に対するリアルタイムソリューションは、誤情報の拡散を迅速に封じ込むのに不可欠である。 しかし、この目標を達成するには、主にIBMの問題解決ソリューションの妨害された影響を評価するには、多くの高価なモンテカルロシミュレーション(MCS)が必要である。 効率性を高めるためにいくつかのアプローチが提案されているが、実際的なスケールのIBM問題に対するリアルタイムソリューションの実現には至っていない。 この研究は、数十万のノードとエッジを数秒でIBMの問題を解決する新しいアプローチを提示している。 鍵となるアイデアは、時間集中型mcssの代替としてneural influence estimator(nie)と呼ばれる高速評価型サーロゲートモデルを構築することである。 この目的のために、学習問題を定式化し、偽情報インスタンスを入力とし、2つのシードセット間のトポロジと相互関係を記述する特徴を抽出し、ブロックされた影響を予測する。 よく訓練されたNIEは、ソーシャルネットワーク上で定義された様々なIBM問題にまたがって一般化することができ、greedyアルゴリズムのような既存のIBM最適化アルゴリズムと簡単に組み合わせることができる。 数百万のエッジを持つ最大25のIBM問題に対する実験により、NIEベースの最適化法は、MCSベースの最適化法よりも最大4桁高速で、同じソリューション品質を実現することができることが示された。 さらに、1分間のリアルタイム制約を前提として、NIEベースの手法は、数十万のノードでIBMの問題を解決することができる。

関連論文リスト

• 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)
• An End-to-End Reinforcement Learning Approach for Job-Shop Scheduling Problems Based on Constraint Programming [5.070542698701157]
  本稿では,CPと強化学習(Reinforcement Learning, RL)を用いてスケジューリング問題を解決する新しいエンドツーエンドアプローチを提案する。 当社のアプローチでは,既存のCPソルバを活用して,プライオリティ・ディスパッチ・ルール(PDR)を学ぶエージェントをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-09T08:24:56Z)
• 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)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• Learning to Accelerate Approximate Methods for Solving Integer Programming via Early Fixing [29.29673962163146]
  いくつかの反復近似法によって解かれた変数は、非常に長い反復で最終的な収束した離散状態の周りに変動する。 この観測から着想を得た我々は、これらの変動変数を収束状態に早期に固定することにより、これらの近似手法を加速することを目指している。 初期固定プロセス全体をマルコフ決定プロセスとして定式化し、模倣学習を用いて訓練する。
  論文  参考訳（メタデータ） (2022-07-05T14:46:47Z)
• Minimizing Entropy to Discover Good Solutions to Recurrent Mixed Integer Programs [0.0]
  混合整数プログラミング(MIP)問題に対する現在の解法は、幅広い問題に対して良好に動作するように設計されている。 近年の研究では、機械学習(ML)をMIPソルバと統合してドメイン知識を注入し、最適性ギャップを効率的に閉じることが示されている。 本稿では、エントロピーの概念を用いて、最小限のトレーニングデータとチューニングで効率的にモデルを構築するオンラインソルバを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:52:56Z)
• Learning Robust Scheduling with Search and Attention [6.217548079545464]
  物理層リソースをチャネル品質、バッファサイズ、要求および制約に基づいてユーザに割り当てることは、無線リソースの管理における中心的な最適化問題の1つである。 MU-MIMOスケジューリングでは、スケジューラが複数のユーザを同じ時間周波数の物理リソースに割り当てることができる。 本稿では,MU-MIMOスケジューリング問題を木構造問題として扱うとともに,AlphaGo Zeroの最近の成功から借用して,最高の実行ソリューションを探す可能性について検討する。
  論文  参考訳（メタデータ） (2021-11-15T20:46:26Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。