論文の概要: DSCom: A Data-Driven Self-Adaptive Community-Based Framework for
Influence Maximization in Social Networks
- arxiv url: http://arxiv.org/abs/2311.11080v1
- Date: Sat, 18 Nov 2023 14:03:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 12:30:59.093623
- Title: DSCom: A Data-Driven Self-Adaptive Community-Based Framework for
Influence Maximization in Social Networks
- Title（参考訳）: DSCom: ソーシャルネットワークにおける影響最大化のためのデータ駆動型自己適応型コミュニティベースフレームワーク
- Authors: Yuxin Zuo, Haojia Sun, Yongyi Hu, Jianxiong Guo, and Xiaofeng Gao
- Abstract要約: 我々は、属性ネットワーク上の問題を再構成し、ノード属性を利用して接続ノード間の近接性を推定する。
具体的には、この問題に対処するため、DSComという機械学習ベースのフレームワークを提案する。
従来の理論的研究と比較して,実世界のソーシャルネットワークに基づくパラメータ化拡散モデルを用いた実験実験を慎重に設計した。
- 参考スコア（独自算出の注目度）: 3.97535858363999
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Influence maximization aims to find a subset of seeds that maximize the
influence spread under a given budget. In this paper, we mainly address the
data-driven version of this problem, where the diffusion model is not given but
needs to be inferred from the history cascades. Several previous works have
addressed this topic in a statistical way and provided efficient algorithms
with theoretical guarantee. However, in their settings, though the diffusion
parameters are inferred, they still need users to preset the diffusion model,
which can be an intractable problem in real-world practices. In this paper, we
reformulate the problem on the attributed network and leverage the node
attributes to estimate the closeness between the connected nodes. Specifically,
we propose a machine learning-based framework, named DSCom, to address this
problem in a heuristic way. Under this framework, we first infer the users'
relationship from the diffusion dataset through attention mechanism and then
leverage spectral clustering to overcome the influence overlap problem in the
lack of exact diffusion formula. Compared to the previous theoretical works, we
carefully designed empirical experiments with parameterized diffusion models
based on real-world social networks, which prove the efficiency and
effectiveness of our algorithm.
- Abstract（参考訳）: 影響の最大化は、与えられた予算の下で広がる影響を最大化する種子のサブセットを見つけることを目的としている。
本稿では主に,拡散モデルが与えられるのではなく,歴史カスケードから推定される必要がある,この問題のデータ駆動型バージョンに対処する。
以前のいくつかの研究は統計的にこの問題に対処し、理論的に保証された効率的なアルゴリズムを提供した。
しかし、それらの設定では、拡散パラメータは推論されているが、現実の実践では難解な問題である拡散モデルを事前に設定する必要がある。
本稿では,帰結したネットワーク上の問題を再構成し,ノード属性を利用して接続ノード間の密接度を推定する。
具体的には、この問題にヒューリスティックな方法で対処する機械学習ベースのフレームワークDSComを提案する。
この枠組みでは,まず注意機構を通じて拡散データセットからユーザの関係を推定し,次にスペクトルクラスタリングを用いて,正確な拡散公式の欠如による影響重なり問題を克服する。
従来の理論研究と比較して,実世界のソーシャルネットワークに基づくパラメータ化拡散モデルを用いた実験実験を注意深く設計し,アルゴリズムの効率と有効性を実証した。
関連論文リスト
- Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。
本研究ではまず,生成モデルの本質的な特徴について考察する。
本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文 参考訳（メタデータ） (2024-11-01T09:05:47Z) - Influence Maximization via Graph Neural Bandits [54.45552721334886]
IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。
IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
論文 参考訳（メタデータ） (2024-06-18T17:54:33Z) - Implicit Generative Prior for Bayesian Neural Networks [8.013264410621357]
複雑なデータ構造のための新しいニューラルネットワーク型経験ベイズ(NA-EB)フレームワークを提案する。
NA-EBフレームワークは変分推論と勾配上昇アルゴリズムを組み合わせたものである。
各種タスクの広範囲な評価を通じて,本フレームワークの実践的応用を実証する。
論文 参考訳（メタデータ） (2024-04-27T21:00:38Z) - Scalable Continuous-time Diffusion Framework for Network Inference and Influence Estimation [27.561806717195054]
本稿では,拡散過程を連続時間力学系とみなし,連続時間拡散モデルを確立する。
次に、モデルをスケーラブルで効果的なフレームワーク(FIM)にインスタンス化し、利用可能なカスケードからの拡散拡散を近似する。
影響推定のためのスケーラビリティを実現するため,高度なサンプリング手法を考案し,効率を大幅に向上させる。
論文 参考訳（メタデータ） (2024-03-05T11:21:18Z) - PDE+: Enhancing Generalization via PDE with Adaptive Distributional
Diffusion [66.95761172711073]
ニューラルネットワークの一般化は、機械学習における中心的な課題です。
本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。
私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
論文 参考訳（メタデータ） (2023-05-25T08:23:26Z) - Provably Efficient Reinforcement Learning for Online Adaptive Influence
Maximization [53.11458949694947]
本稿では,リアルタイムフィードバックに基づいてシードノードを逐次活性化する,コンテンツ依存型オンライン影響問題の適応バージョンについて検討する。
提案アルゴリズムは,最適政策を楽観的に改善しつつ,ネットワークモデルの推定を保守し,適応的にシードを選択する。
論文 参考訳（メタデータ） (2022-06-29T18:17:28Z) - Network Inference and Influence Maximization from Samples [20.916163957596577]
本研究では,これらの種子の拡散を最大化するために,ソーシャルネットワーク上で少数の種子ノードを選択するタスクについて検討する。
我々は,データから拡散パラメータとネットワーク構造を学習するネットワーク推論問題に対して,カスケードの新しい解を提供する。
我々のIMSアルゴリズムは, 拡散パラメータの学習が困難な場合でも, 一定の近似比を許容することにより, 学習と最適化のアプローチを強化する。
論文 参考訳（メタデータ） (2021-06-07T08:06:36Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Influence Maximization Under Generic Threshold-based Non-submodular
Model [1.5780411262109524]
社会的影響の概念は、ソーシャルネットワークから最も影響力のあるノード(シードノード)の数を選択し、彼らが共同で最大の影響の拡散をトリガーできるようにすることです。
本稿では,ネットワークグラフを用いた一般化されたしきい値ベースモデルであるインフルエンサーバリケードモデルにおける種選択戦略を提案する。
私たちの知る限りでは、これは非サブモジュラーな影響を直接取り扱う最初のグラフベースのアプローチです。
論文 参考訳（メタデータ） (2020-12-18T16:14:49Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。