論文の概要: Influence Maximization in Hypergraphs Using A Genetic Algorithm with New Initialization and Evaluation Methods

• arxiv url: http://arxiv.org/abs/2405.09185v1
• Date: Wed, 15 May 2024 08:46:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 13:56:07.882433
• Title: Influence Maximization in Hypergraphs Using A Genetic Algorithm with New Initialization and Evaluation Methods
• Title（参考訳）: 新しい初期化と評価手法を用いた遺伝的アルゴリズムによるハイパーグラフへの影響最大化
• Authors: Xilong Qu, Wenbin Pei, Yingchao Yang, Xirong Xu, Renquan Zhang, Qiang Zhang,
• Abstract要約: インフルエンス(IM)は,実世界の複雑なネットワークを解析する上で重要な最適化課題である。 本稿では,ノード障害とハイパーエッジ障害の両方の影響を統合する新しいモデルを提案する。 次に、ハイパーグラフの集団的影響を利用する最も影響力のあるノードを特定するために遺伝的アルゴリズム(GA)を導入する。
• 参考スコア（独自算出の注目度）: 6.315027378756443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Influence maximization (IM) is a crucial optimization task related to analyzing complex networks in the real world, such as social networks, disease propagation networks, and marketing networks. Publications to date about the IM problem focus mainly on graphs, which fail to capture high-order interaction relationships from the real world. Therefore, the use of hypergraphs for addressing the IM problem has been receiving increasing attention. However, identifying the most influential nodes in hypergraphs remains challenging, mainly because nodes and hyperedges are often strongly coupled and correlated. In this paper, to effectively identify the most influential nodes, we first propose a novel hypergraph-independent cascade model that integrates the influences of both node and hyperedge failures. Afterward, we introduce genetic algorithms (GA) to identify the most influential nodes that leverage hypergraph collective influences. In the GA-based method, the hypergraph collective influence is effectively used to initialize the population, thereby enhancing the quality of initial candidate solutions. The designed fitness function considers the joint influences of both nodes and hyperedges. This ensures the optimal set of nodes with the best influence on both nodes and hyperedges to be evaluated accurately. Moreover, a new mutation operator is designed by introducing factors, i.e., the collective influence and overlapping effects of nodes in hypergraphs, to breed high-quality offspring. In the experiments, several simulations on both synthetic and real hypergraphs have been conducted, and the results demonstrate that the proposed method outperforms the compared methods.
• Abstract（参考訳）: 影響の最大化(IM)は、ソーシャルネットワーク、病気伝播ネットワーク、マーケティングネットワークなど、現実世界の複雑なネットワークを分析する上で重要な最適化課題である。 IM問題に関する発表は、主にグラフに焦点を当てているが、これは現実世界の高次相互作用関係を捉えるのに失敗している。 そのため,IM問題へのハイパーグラフの活用が注目されている。 しかし、ハイパーグラフにおける最も影響力のあるノードを特定することは、主にノードとハイパーエッジが強く結合され、相関しているため、依然として困難である。 本稿では、最も影響力のあるノードを効果的に識別するために、まず、ノードとハイパーエッジの両方の障害の影響を統合する、新しいハイパーグラフ独立カスケードモデルを提案する。 その後、ハイパーグラフの集団的影響を利用する最も影響力のあるノードを特定するために遺伝的アルゴリズム(GA)を導入する。 GAに基づく手法では、ハイパーグラフ集団の影響を効果的に利用して人口を初期化し、初期候補解の品質を高める。 設計された適合関数は、ノードとハイパーエッジの両方の結合の影響を考慮する。 これにより、ノードとハイパーエッジの両方に最も影響を与える最適なノードセットを正確に評価することができる。 さらに、ハイパーグラフ中のノードの集団的影響と重なり合う影響を導入して、高品質な子孫を産み出す新しい突然変異演算子を設計する。 実験では, 合成ハイパーグラフと実ハイパーグラフの両方についていくつかのシミュレーションを行い, 提案手法が比較手法より優れていることを示した。

関連論文リスト

• 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)
• Influence Maximization in Hypergraphs using Multi-Objective Evolutionary Algorithms [2.726292320658314]
  影響最大化(IM)問題はグラフ上のよく知られたNPハード問題である。 ハイパーグラフ上のIM問題に対する多目的EAを提案する。
  論文  参考訳（メタデータ） (2024-05-16T15:31:28Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Learning Causal Effects on Hypergraphs [33.41001768564952]
  我々は因果性の観点からハイパーグラフを研究する。 本研究では,高次干渉モデルについて検討し,ハイパーグラフニューラルネットワークを用いた新たな因果学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T23:14:10Z)
• Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
  本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。 各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-22T12:24:02Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-12T02:07:07Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-10T12:37:55Z)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)

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。