Fugu-MT 論文翻訳(概要): Graph Bayesian Optimization for Multiplex Influence Maximization

論文の概要: Graph Bayesian Optimization for Multiplex Influence Maximization

arxiv url: http://arxiv.org/abs/2403.18866v1
Date: Mon, 25 Mar 2024 14:50:01 GMT
ステータス: 処理完了
システム内更新日: 2024-03-29 20:23:28.505588
Title: Graph Bayesian Optimization for Multiplex Influence Maximization
Title（参考訳）: 多重影響最大化のためのグラフベイズ最適化
Authors: Zirui Yuan, Minglai Shao, Zhiqian Chen,
Abstract要約: インフルエンス(IM)とは、ソーシャルネットワーク内の初期影響力のあるユーザ数を限定的に特定し、影響力のあるユーザ数を最大化する問題である。これまでの研究は主に、複数の情報項目の同時的かつインタラクティブな拡散を無視して、個々の情報伝達に焦点を当ててきた。本稿では,情報関連機構を持つ拡散モデルを用いて,まず多重化最大化(Multi-IM)問題を定式化する。
参考スコア（独自算出の注目度）: 9.155955744238852
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Influence maximization (IM) is the problem of identifying a limited number of initial influential users within a social network to maximize the number of influenced users. However, previous research has mostly focused on individual information propagation, neglecting the simultaneous and interactive dissemination of multiple information items. In reality, when users encounter a piece of information, such as a smartphone product, they often associate it with related products in their minds, such as earphones or computers from the same brand. Additionally, information platforms frequently recommend related content to users, amplifying this cascading effect and leading to multiplex influence diffusion. This paper first formulates the Multiplex Influence Maximization (Multi-IM) problem using multiplex diffusion models with an information association mechanism. In this problem, the seed set is a combination of influential users and information. To effectively manage the combinatorial complexity, we propose Graph Bayesian Optimization for Multi-IM (GBIM). The multiplex diffusion process is thoroughly investigated using a highly effective global kernelized attention message-passing module. This module, in conjunction with Bayesian linear regression (BLR), produces a scalable surrogate model. A data acquisition module incorporating the exploration-exploitation trade-off is developed to optimize the seed set further. Extensive experiments on synthetic and real-world datasets have proven our proposed framework effective. The code is available at https://github.com/zirui-yuan/GBIM.
Abstract（参考訳）: 影響最大化(英語: Influence maximization, IM)とは、影響力のあるユーザ数を最大化するために、ソーシャルネットワーク内の初期影響力のあるユーザを限定的に特定する問題である。しかし、従来の研究では、複数の情報項目の同時的かつインタラクティブな拡散を無視して、個々の情報伝達に重点を置いてきた。実際には、ユーザーがスマートフォン製品などの情報に遭遇すると、同じブランドのイヤホンやコンピュータといった関連製品と関連付けることが多い。さらに、情報プラットフォームは、しばしばユーザに関連するコンテンツを推奨し、このカスケーディング効果を増幅し、多重の影響拡散につながる。本稿では,情報関連機構を持つ多重拡散モデルを用いて多重影響最大化(Multi-IM)問題を定式化する。この問題では、シードセットは影響力のあるユーザと情報の組み合わせである。組合せ複雑性を効果的に管理するために,GBIM (Graph Bayesian Optimization for Multi-IM) を提案する。マルチプレックス拡散プロセスは、高効率なグローバルカーネル化された注目メッセージパッシングモジュールを用いて、徹底的に研究されている。このモジュールはベイズ線形回帰(BLR)とともにスケーラブルな代理モデルを生成する。探索・探索トレードオフを組み込んだデータ取得モジュールを開発し、シードセットをさらに最適化する。合成および実世界のデータセットに関する大規模な実験により、提案したフレームワークの有効性が証明された。コードはhttps://github.com/zirui-yuan/GBIMで入手できる。

関連論文リスト

InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-11-15T00:20:36Z)
LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
論文参考訳（メタデータ） (2024-11-14T13:00:23Z)
Triple Modality Fusion: Aligning Visual, Textual, and Graph Data with Large Language Models for Multi-Behavior Recommendations [12.154043062308201]
本稿では,三重モダリティの融合を活かした,多行動レコメンデーションのための新しいフレームワークを提案する。提案モデルであるTriple Modality Fusion (TMF)は,大規模言語モデル(LLM)のパワーを利用して,これらの3つのモダリティを調整・統合する。大規模な実験により,提案手法の有効性が示唆された。
論文参考訳（メタデータ） (2024-10-16T04:44:15Z)
GUME: Graphs and User Modalities Enhancement for Long-Tail Multimodal Recommendation [13.1192216083304]
本稿では,長期マルチモーダルレコメンデーションのための新しいグラフとユーザモダリティエンハンスメント(GUME)を提案する。具体的には、アイテム間のマルチモーダルな類似性を用いて、まずユーザ-テムグラフを拡張します。次に、明示的なインタラクション機能と拡張された関心機能という2つのタイプのユーザモダリティを構築します。
論文参考訳（メタデータ） (2024-07-17T06:29:00Z)
Many-Objective Evolutionary Influence Maximization: Balancing Spread, Budget, Fairness, and Time [3.195234044113248]
インフルエンス・最大化(IM)問題は、情報伝達を最大限に広めることのできるグラフ内のノードの集合を見つけ出そうとする。この問題はNPハードであることが知られており、通常は第2の目的を最適化する影響(スプレッド)を最大化して研究される。本研究では,シードセットサイズの影響と最小化に基づいて,予算の公平性,コミュニティ,時間といったIM固有の目的関数を最適化した最初のケーススタディを提案する。
論文参考訳（メタデータ） (2024-03-27T16:54:45Z)
Deep Graph Representation Learning and Optimization for Influence Maximization [10.90744025490539]
インフルエンサー(IM)は、ソーシャルネットワークから初期ユーザのセットを選択して、影響を受けたユーザの期待人数を最大化する。本稿では,シードセットの潜在表現を生成的に特徴付けるための新しいフレームワークであるDeepIMを提案する。また、フレキシブルなノード分散性に基づく予算制約の下で最適なシードセットを推論する新たな目的関数を設計する。
論文参考訳（メタデータ） (2023-05-01T15:45:01Z)
Compressed Interaction Graph based Framework for Multi-behavior Recommendation [46.16750419508853]
不均衡なデータ分布とスパースターゲットの振る舞いのため、マルチビヘイビアデータの探索は困難である。上記の制限を克服するために、圧縮インタラクショングラフベースのフレームワークであるCIGFを提案する。マルチタスク学習のためのCIGCNの上部に個別の入力を持つMulti-Expert with Separate Input (MESI) ネットワークを提案する。
論文参考訳（メタデータ） (2023-03-04T13:41:36Z)
Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文参考訳（メタデータ） (2022-09-30T15:01:35Z)
Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-08-03T05:28:14Z)
Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文参考訳（メタデータ） (2020-07-03T15:37:25Z)
Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文参考訳（メタデータ） (2020-05-03T09:14:31Z)

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。