論文の概要: Scalable Continuous-time Diffusion Framework for Network Inference and
Influence Estimation
- arxiv url: http://arxiv.org/abs/2403.02867v1
- Date: Tue, 5 Mar 2024 11:21:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 15:21:02.259421
- Title: Scalable Continuous-time Diffusion Framework for Network Inference and
Influence Estimation
- Title(参考訳): ネットワーク推論と影響推定のためのスケーラブルな連続時間拡散フレームワーク
- Authors: Keke Huang, Ruize Gao, Bogdan Cautis, and Xiaokui Xiao
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 27.561806717195054
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The study of continuous-time information diffusion has been an important area
of research for many applications in recent years. When only the diffusion
traces (cascades) are accessible, cascade-based network inference and influence
estimation are two essential problems to explore. Alas, existing methods
exhibit limited capability to infer and process networks with more than a few
thousand nodes, suffering from scalability issues. In this paper, we view the
diffusion process as a continuous-time dynamical system, based on which we
establish a continuous-time diffusion model. Subsequently, we instantiate the
model to a scalable and effective framework (FIM) to approximate the diffusion
propagation from available cascades, thereby inferring the underlying network
structure. Furthermore, we undertake an analysis of the approximation error of
FIM for network inference. To achieve the desired scalability for influence
estimation, we devise an advanced sampling technique and significantly boost
the efficiency. We also quantify the effect of the approximation error on
influence estimation theoretically. Experimental results showcase the
effectiveness and superior scalability of FIM on network inference and
influence estimation.
- Abstract(参考訳): 連続時間情報拡散の研究は近年,多くの応用分野において重要な研究分野となっている。
拡散トレース(カスケード)のみがアクセス可能である場合、カスケードに基づくネットワーク推定と影響推定は2つの重要な問題である。
残念ながら、既存の手法では数千以上のノードを持つネットワークを推論および処理する能力に制限があり、スケーラビリティの問題に悩まされている。
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伝播を近似し,基盤となるネットワーク構造を推定する。
さらに,ネットワーク推論におけるFIMの近似誤差の解析を行った。
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。
また,近似誤差が影響推定に与える影響を理論的に定量化する。
実験結果はネットワーク推論と影響推定におけるfimの有効性と優れたスケーラビリティを示す。
関連論文リスト
- Data Attribution for Diffusion Models: Timestep-induced Bias in
Influence Estimation [58.20016784231991]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳(メタデータ) (2024-01-17T07:58:18Z) - DSCom: A Data-Driven Self-Adaptive Community-Based Framework for
Influence Maximization in Social Networks [3.97535858363999]
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。
論文 参考訳(メタデータ) (2023-11-18T14:03:43Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Reconstructing Graph Diffusion History from a Single Snapshot [91.9168290827762]
A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。
本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。
また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
論文 参考訳(メタデータ) (2023-06-01T09:39:32Z) - How Much is Enough? A Study on Diffusion Times in Score-based Generative
Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。
本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文 参考訳(メタデータ) (2022-06-10T15:09:46Z) - Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
本稿では,観測画像データから因果構造を推定する作業について考察する。
Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。
Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
論文 参考訳(メタデータ) (2022-02-21T12:23:01Z) - 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) - 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。