論文の概要: Fractional Budget Allocation for Influence Maximization under General Marketing Strategies

• arxiv url: http://arxiv.org/abs/2407.05669v1
• Date: Mon, 8 Jul 2024 07:09:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 16:50:12.349170
• Title: Fractional Budget Allocation for Influence Maximization under General Marketing Strategies
• Title（参考訳）: 一般マーケティング戦略における影響最大化のための分断予算配分
• Authors: Akhil Bhimaraju, Eliot W. Robson, Lav R. Varshney, Abhishek K. Umrawal,
• Abstract要約: 我々は、ソーシャルネットワーク上のユーザを、潜在的に部分的な割引でインセンティブを与えるという、分数的影響の問題を考える。 ユーザに与えられるディスカウントが大きいほど、そのアクティベーションの可能性が高くなり、隣のユーザをアクティベートしようとする。 我々のゴールは、アクティブユーザー数を最大化するために、ネットワーク利用者に初期割引を割り当てる効率的なアルゴリズムを考案することである。
• 参考スコア（独自算出の注目度）: 15.985300892420137
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We consider the fractional influence maximization problem, i.e., identifying users on a social network to be incentivized with potentially partial discounts to maximize the influence on the network. The larger the discount given to a user, the higher the likelihood of its activation (adopting a new product or innovation), who then attempts to activate its neighboring users, causing a cascade effect of influence through the network. Our goal is to devise efficient algorithms that assign initial discounts to the network's users to maximize the total number of activated users at the end of the cascade, subject to a constraint on the total sum of discounts given. In general, the activation likelihood could be any non-decreasing function of the discount, whereas, our focus lies on the case when the activation likelihood is an affine function of the discount, potentially varying across different users. As this problem is shown to be NP-hard, we propose and analyze an efficient (1-1/e)-approximation algorithm. Furthermore, we run experiments on real-world social networks to show the performance and scalability of our method.
• Abstract（参考訳）: 我々は,ソーシャルネットワーク上のユーザをインセンティブ付きで特定し,ネットワークへの影響を最大化するために,潜在的に部分的な割引でインセンティブを付与する,分数的影響最大化の問題を考える。 ユーザに与えられるディスカウントが大きくなればなるほど、そのアクティベーション(新製品やイノベーションを取り入れる)の可能性が高まり、隣のユーザをアクティベートしようとすると、ネットワークを通じて影響のカスケード効果が生じる。 我々のゴールは、ネットワークの利用者に初期割引を割り当てる効率的なアルゴリズムを考案し、提供されたディスカウントの総和に制約を課し、カスケードの終了時のアクティブユーザー数を最大化することである。 一般的に、アクティベーション確率はディスカウントの非減少機能でありうるが、アクティベーション確率がディスカウントのアフィン関数である場合、異なるユーザー間で異なる可能性がある。 この問題はNPハードであることが示されるので、効率的な(1-1/e)近似アルゴリズムを提案し、解析する。 さらに,実世界のソーシャルネットワーク上で実験を行い,本手法の性能と拡張性を示す。

関連論文リスト

• Edge-Only Universal Adversarial Attacks in Distributed Learning [49.546479320670464]
  本研究では,攻撃者がモデルのエッジ部分のみにアクセスした場合に,ユニバーサルな敵攻撃を発生させる可能性について検討する。 提案手法は, エッジ側の重要な特徴を活用することで, 未知のクラウド部分において, 効果的な誤予測を誘導できることを示唆する。 ImageNetの結果は、未知のクラウド部分に対する強力な攻撃伝達性を示している。
  論文  参考訳（メタデータ） (2024-11-15T11:06:24Z)
• Sparsing Law: Towards Large Language Models with Greater Activation Sparsity [62.09617609556697]
  活性化空間性は、除去できる活性化出力の中に、かなり弱い分散要素が存在することを表す。 PPL-$p%$ sparsity, a accurate and performance-aware activation sparsity metric。 我々は、SiLUよりも活性化関数としてReLUが効率的であることを示し、より多くのトレーニングデータを利用してアクティベーション空間を改善することができることを示した。
  論文  参考訳（メタデータ） (2024-11-04T17:59:04Z)
• 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)
• GLANCE: Global Actions in a Nutshell for Counterfactual Explainability [10.25011737760687]
  2つのアルゴリズムからなる多目的かつ適応的なフレームワークであるGLANCEを紹介する。 C-GLANCEは、特徴空間と反現実的アクションの空間の両方を考慮するクラスタリングアプローチを採用している。 T-GLANCEは柔軟性を高めるための追加機能を提供する。
  論文  参考訳（メタデータ） (2024-05-29T09:24:25Z)
• Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
  各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。 このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-05-28T07:38:39Z)
• Shaving Weights with Occam's Razor: Bayesian Sparsification for Neural Networks Using the Marginal Likelihood [86.70040320522432]
  ニューラルネットワークのスパーシフィケーションは、計算時間とメモリコストを削減できる有望な方法である。 Sparsifiability via the Marginal chance (SpaM) a pruning framework。 当社のフレームワークの有効性を,特に高頻度で実証する。
  論文  参考訳（メタデータ） (2024-02-25T03:48:13Z)
• Influence Maximization with Unknown Individual Effect on General Network [3.4049427793086324]
  ネットワークに広がる情報を最大化するためのシードセットの同定は、インフルエンス・最大化(IM)と呼ばれる概念が不可欠である。 IMアルゴリズムは、各ノードが個々のエフェクトと呼ばれる特定の重みを持つ場合まで自然に拡張でき、ノードの重要性を測定することができる。 本稿では,因果影響最大化(CauIM)アルゴリズムの開発を通じてこの問題に対処する。
  論文  参考訳（メタデータ） (2023-01-28T15:34:03Z)
• GAC: A Deep Reinforcement Learning Model Toward User Incentivization in Unknown Social Networks [3.3946853660795884]
  本稿では,GAC(Geometric Actor-Critic)と呼ばれるエンドツーエンドの強化学習に基づくフレームワークを提案する。 提案したGACの性能を評価するために,実世界の3つのソーシャルネットワークデータセットを用いた。
  論文  参考訳（メタデータ） (2022-03-17T19:41:49Z)
• Identifying Influential Users in Unknown Social Networks for Adaptive Incentive Allocation Under Budget Restriction [24.793013471521924]
  インセンティブ化はユーザの行動に影響を与えるためのより積極的な方法であることが証明されている。 未知ネットワークにおける影響力のあるユーザを探索するための新しいアルゴリズムを提案する。 ユーザの好みと影響能力に基づいてインセンティブ値を決定する適応型インセンティブアロケーション・アプローチを設計する。
  論文  参考訳（メタデータ） (2021-07-13T11:20:10Z)
• Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising [52.3825928886714]
  我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。 理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。 強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
  論文  参考訳（メタデータ） (2020-06-29T18:50:35Z)
• Maximizing Cumulative User Engagement in Sequential Recommendation: An Online Optimization Perspective [26.18096797120916]
  ユーザエンゲージメントの向上とユーザブラウジングの促進という、潜在的に矛盾する2つの目標をトレードオフするためには、しばしば必要となる。 より長いユーザブラウジング期間と高いユーザエンゲージメントを明示的にトレードオフする,フレキシブルで実用的なフレームワークを提案する。 このアプローチは大規模なEコマースプラットフォームにデプロイされ、累積クリックの7%以上の改善が達成されている。
  論文  参考訳（メタデータ） (2020-06-02T09:02:51Z)

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。