論文の概要: R-ODE: Ricci Curvature Tells When You Will be Informed

• arxiv url: http://arxiv.org/abs/2405.17282v1
• Date: Mon, 27 May 2024 15:46:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 14:43:44.300564
• Title: R-ODE: Ricci Curvature Tells When You Will be Informed
• Title（参考訳）: R-ODE:リッチな曲率でインフォームされたらわかる
• Authors: Li Sun, Jingbin Hu, Mengjie Li, Hao Peng,
• Abstract要約: 情報拡散予測は、オンラインソーシャルネットワークの構造と組織を理解するのに不可欠である。 本稿では,RODE(Ricci-curvature Regulation Ordinary Equation)を提案する。 R-ODEのパーソナライズされた時間予測能力を評価し,RODE-が最先端のベースラインを上回っていることを示す。
• 参考スコア（独自算出の注目度）: 20.832255496918368
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Information diffusion prediction is fundamental to understand the structure and organization of the online social networks, and plays a crucial role to blocking rumor spread, influence maximization, political propaganda, etc. So far, most existing solutions primarily predict the next user who will be informed with historical cascades, but ignore an important factor in the diffusion process - the time. Such limitation motivates us to pose the problem of the time-aware personalized information diffusion prediction for the first time, telling the time when the target user will be informed. In this paper, we address this problem from a fresh geometric perspective of Ricci curvature, and propose a novel Ricci-curvature regulated Ordinary Differential Equation (R-ODE). In the diffusion process, R-ODE considers that the inter-correlated users are organized in a dynamic system in the representation space, and the cascades give the observations sampled from the continuous realm. At each infection time, the message diffuses along the largest Ricci curvature, signifying less transportation effort. In the continuous realm, the message triggers users' movement, whose trajectory in the space is parameterized by an ODE with graph neural network. Consequently, R-ODE predicts the infection time of a target user by the movement trajectory learnt from the observations. Extensive experiments evaluate the personalized time prediction ability of R-ODE, and show R-ODE outperforms the state-of-the-art baselines.
• Abstract（参考訳）: 情報拡散予測は、オンラインソーシャルネットワークの構造や組織を理解する上で基本的であり、噂の拡散や影響力の最大化、政治宣伝などを妨げる重要な役割を担っている。 これまでのところ、ほとんどの既存のソリューションは、主に、過去のカスケードで知らせられるであろう次のユーザーを予測するが、拡散プロセスにおける重要な要素である時間を無視している。 このような制限は、最初にタイムアウェアなパーソナライズされた情報拡散予測の問題を提起する動機となり、ターゲットユーザがいつ通知されるかを伝える。 本稿では, リッチ曲率の新しい幾何学的視点からこの問題に対処し, リッチ曲率制御正規微分方程式(R-ODE)を提案する。 拡散過程において、R-ODEは、相互関連ユーザは表現空間の動的システムに組織化されており、カスケードは連続領域からサンプリングされた観察を与える。 感染するたびに、メッセージは最大のリッチ曲率に沿って拡散し、輸送の労力が減ることを示す。 連続領域では、メッセージはユーザの動きをトリガーし、その空間内の軌道は、グラフニューラルネットワークを持つODEによってパラメータ化される。 その結果、R−ODEは、観測から学習した移動軌跡により、対象ユーザの感染時間を予測する。 広範囲な実験により、R-ODEのパーソナライズされた時間予測能力を評価し、R-ODEが最先端のベースラインより優れていることを示す。

関連論文リスト

• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  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)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Dynamic Graph Learning Based on Hierarchical Memory for Origin-Destination Demand Prediction [12.72319550363076]
  本稿では,OD要求予測のための動的グラフ表現学習フレームワークを提案する。 特に、階層型メモリ更新器が最初に提案され、各ノードのタイムアウェア表現が維持される。 時間的伝搬機構は、ランダムな時間的経路に沿って隣接ノードの表現を集約する。 目的関数は、最新のノードに従って将来のOD要求を導出するように設計されている。
  論文  参考訳（メタデータ） (2022-05-29T07:52:35Z)
• 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)
• STR-GODEs: Spatial-Temporal-Ridership Graph ODEs for Metro Ridership Prediction [0.0]
  我々はODEアルゴリズムをグラフネットワークに拡張し、時間的・時間的・ライダー間の相関関係をタイムライン上で等間隔に分割することなく学習する。 GODE-RNNセルにライダー情報とその隠蔽状態を付加し、予測の長時間連続による誤差蓄積を低減する。
  論文  参考訳（メタデータ） (2021-07-11T06:29:20Z)
• Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
  本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。 エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。 入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
  論文  参考訳（メタデータ） (2020-06-16T15:07:25Z)
• DyHGCN: A Dynamic Heterogeneous Graph Convolutional Network to Learn Users' Dynamic Preferences for Information Diffusion Prediction [27.15862893269242]
  本稿では,ソーシャルグラフと動的拡散グラフの構造特性を共同で学習するための,新しい動的不均一グラフ畳み込みネットワーク(DyHGCN)を提案する。 実験結果から,DyHGCNは3つの公開データセットの最先端モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-06-09T10:34:41Z)

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。