論文の概要: Sample Complexity of Opinion Formation on Networks
- arxiv url: http://arxiv.org/abs/2311.02349v1
- Date: Sat, 4 Nov 2023 08:28:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 18:10:11.264634
- Title: Sample Complexity of Opinion Formation on Networks
- Title(参考訳): ネットワーク上の意見形成のサンプル複雑性
- Authors: Haolin Liu, Rajmohan Rajaraman, Ravi Sundaram, Anil Vullikanti, Omer
Wasim, Haifeng Xu
- Abstract要約: 厚生労働省は、ソーシャル・ネットワークが連携する地域社会に新たなワクチンに対する認識を広げることを目指している。
情報を最小限のリソースで分散し、実際の事実に沿ったコミュニティ全体の理解を確保するにはどうすればよいのか?
- 参考スコア(独自算出の注目度): 38.94122539408048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Consider public health officials aiming to spread awareness about a new
vaccine in a community interconnected by a social network. How can they
distribute information with minimal resources, ensuring community-wide
understanding that aligns with the actual facts? This concern mirrors numerous
real-world situations. In this paper, we initialize the study of sample
complexity in opinion formation to solve this problem. Our model is built on
the recognized opinion formation game, where we regard each agent's opinion as
a data-derived model parameter, not just a real number as in prior studies.
Such an extension offers a wider understanding of opinion formation and ties
closely with federated learning. Through this formulation, we characterize the
sample complexity bounds for any network and also show asymptotically tight
bounds for specific network structures. Intriguingly, we discover optimal
strategies often allocate samples inversely to the degree, hinting at vital
policy implications. Our findings are empirically validated on both synthesized
and real-world networks.
- Abstract(参考訳): ソーシャル・ネットワークが連携する地域社会において、新たなワクチンに対する意識を広めることを目指す公衆衛生担当者について検討する。
情報を最小限のリソースで分散し、実際の事実に沿ったコミュニティ全体の理解を確保するにはどうすればよいのか?
この懸念は多くの現実世界の状況を反映している。
本稿では,この問題を解決するために,サンプル複雑性の研究を意見形成において初期化する。
我々のモデルは、認識された意見形成ゲームに基づいており、各エージェントの意見は、先行研究のような実数ではなく、データ由来のモデルパラメータであるとみなす。
このような拡張は、意見形成をより深く理解し、連合学習と密接に結びついている。
この定式化を通じて、任意のネットワークのサンプル複雑性境界を特徴づけ、特定のネットワーク構造に対して漸近的に密接な境界を示す。
興味深いことに、最適な戦略は、しばしばその度合いに逆らってサンプルを割り当て、重要な政策含意を示唆する。
本研究は,合成ネットワークと実世界のネットワークの両方で実証実験を行った。
関連論文リスト
- Transcending the Attention Paradigm: Representation Learning from
Geospatial Social Media Data [1.8311821879979955]
本研究では,分散パターンの源泉としてソーシャルメディアデータを調べることで,パフォーマンスベンチマークのパラダイムに挑戦する。
これらの抽象的関係を適切に表現するために、この研究では、経験的ソーシャルメディアコーパスを要素成分に分解し、人口密度の場所をまたいだ20億以上のツイートを分析した。
論文 参考訳(メタデータ) (2023-10-09T03:27:05Z) - Unsupervised Learning via Network-Aware Embeddings [0.0]
ノード属性間のネットワーク距離を推定することにより,ネットワーク対応の埋め込みを作成する方法を示す。
提案手法は完全オープンソースであり, 論文中のすべての結果を再現するためのデータとコードは利用可能である。
論文 参考訳(メタデータ) (2023-09-19T08:17:48Z) - Bias amplification in experimental social networks is reduced by
resampling [7.226144684379189]
ソーシャルネットワークを介した情報伝達は、単純な知覚的意思決定タスクにおけるモチベーションバイアスを増幅することを示す。
我々は、バイアス増幅を緩和するために予測されるコンテンツ選択アルゴリズムの簡単な調整を同定する。
論文 参考訳(メタデータ) (2022-08-15T15:14:00Z) - An Information-Theoretic Framework for Supervised Learning [22.280001450122175]
後悔とサンプルの複雑さという独自の概念を持つ新しい情報理論フレームワークを提案する。
本稿では、ReLUアクティベーションユニットを用いたディープニューラルネットワークによって生成されたデータから学習する際のサンプルの複雑さについて検討する。
我々は、ランダムな単層ニューラルネットワークの実験的な解析により、理論結果を裏付けることで結論付ける。
論文 参考訳(メタデータ) (2022-03-01T05:58:28Z) - Towards Understanding Theoretical Advantages of Complex-Reaction
Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。
経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文 参考訳(メタデータ) (2021-08-15T10:13:49Z) - Which Mutual-Information Representation Learning Objectives are
Sufficient for Control? [80.2534918595143]
相互情報は、データの表現を学習するために魅力的な形式を提供する。
本稿では,最適政策の学習と表現のための状態表現の十分性について定式化する。
意外なことに、これらの2つの目的は、MDPの構造に関する軽度で一般的な仮定を前提に、不十分な表現をもたらす可能性がある。
論文 参考訳(メタデータ) (2021-06-14T10:12:34Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳(メタデータ) (2021-04-29T14:31:09Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Deep Generative Modeling in Network Science with Applications to Public
Policy Research [0.0]
ネットワークデータは、量的かつデータ駆動の公共政策研究にますます利用されている。
深層生成法は、マイクロシミュレーションやエージェントベースモデルに有用なリアルな合成ネットワークを生成するために使用できる。
疫学モデルで一般的に使用される大規模社会接触ネットワークに適用可能な,新たな生成フレームワークを開発した。
論文 参考訳(メタデータ) (2020-10-15T16:47:34Z)
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。