論文の概要: Cost-Effective Community-Hierarchy-Based Mutual Voting Approach for Influence Maximization in Complex Networks

• arxiv url: http://arxiv.org/abs/2409.14034v1
• Date: Sat, 21 Sep 2024 06:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 15:26:52.050495
• Title: Cost-Effective Community-Hierarchy-Based Mutual Voting Approach for Influence Maximization in Complex Networks
• Title（参考訳）: 複雑ネットワークにおける影響最大化のためのコスト効果型コミュニティ階層型相互投票手法
• Authors: Yi Liu, Xiaoan Tang, Witold Pedrycz, Qiang Zhang,
• Abstract要約: 実世界は通常、影響のあるノード識別の時間と精度のバランスに高い要求がある。 本稿では,複雑ネットワークに影響を及ぼすためのコスト効果型コミュニティ階層型相互投票方式を提案する。 提案手法は、時間複雑性と影響ノード同定の精度のバランスに関する16の最先端技術より優れている。
• 参考スコア（独自算出の注目度）: 54.366995393644586
• License:
• Abstract: Various types of promising techniques have come into being for influence maximization whose aim is to identify influential nodes in complex networks. In essence, real-world applications usually have high requirements on the balance between time complexity and accuracy of influential nodes identification. To address the challenges of imperfect node influence measurement and inefficient seed nodes selection mechanism in such class of foregoing techniques, this article proposes a novel approach called Cost-Effective Community-Hierarchy-Based Mutual Voting for influence maximization in complex networks. First, we develop a method for measuring the importance of different nodes in networks based on an original concept of Dual-Scale Community-Hierarchy Information that synthesizes both hierarchy structural information and community structural information of nodes. The community structural information contained in the nodes is measured by a new notion of Hierarchical-Community Entropy. Second, we develop a method named Cost-Effective Mutual-Influence-based Voting for seed nodes selection. Hereinto, a low-computational-cost mutual voting mechanism and an updating strategy called Lazy Score Updating Strategy are newly constructed for optimizing the selecting of seed nodes. Third, we develop a balance index to evaluate the performance of different methods in striking the tradeoff between time complexity and the accuracy of influential nodes identification. Finally, we demonstrate the approach performance over ten public datasets. The extensive experiments show that the proposed approach outperforms 16 state-of-the-art techniques on the balance between time complexity and accuracy of influential nodes identification. Compared with the method with the second highest value of the balance index, our approach can be improved by at most 9.29%.
• Abstract（参考訳）: 複雑なネットワークにおける影響ノードを特定することを目的とした影響の最大化のために、様々な有望なテクニックが生まれている。 本質的には、実世界のアプリケーションは通常、時間複雑性と影響のあるノード識別の精度のバランスに高い要求がある。 本稿では, 複雑なネットワークにおける影響の最大化を目的とした, コスト・エフェクティブ・コミュニティ・ヒエラルキーに基づく相互投票方式を提案する。 まず,ノードの階層構造情報とコミュニティ構造情報の両方を合成するDual-Scale Community-Hierarchy Informationというコンセプトに基づいて,ネットワークにおける異なるノードの重要性を測定する手法を開発した。 ノードに含まれるコミュニティ構造情報は、階層-コミュニティエントロピーという新しい概念によって測定される。 第2に、シードノード選択のためのコスト効果相互影響に基づく投票法を開発した。 ここでは、低計算コストの相互投票機構とLazy Score Updating Strategyと呼ばれる更新戦略を新たに構築し、シードノードの選択を最適化する。 第3に、時間複雑性と影響ノード同定の精度のトレードオフを打破する様々な手法の性能を評価するためのバランス指標を開発する。 最後に、10の公開データセット上でのアプローチパフォーマンスを実演する。 大規模な実験により,提案手法は時間複雑性と影響ノード同定の精度のバランスに関する16の最先端技術より優れていることが示された。 バランス指標の2番目に高い値の手法と比較して、我々の手法は少なくとも9.29%改善できる。

関連論文リスト

• Sifting out communities in large sparse networks [2.666294200266662]
  大規模ネットワークにおけるクラスタリングの結果の質を定量化するための直感的な客観的関数を導入する。 この領域に特に適したコミュニティを特定するために,2段階の手法を用いる。 数万のノードからなる大規模ネットワークにおける複雑な遺伝的相互作用を同定する。
  論文  参考訳（メタデータ） (2024-05-01T18:57:41Z)
• Effective Reinforcement Learning Based on Structural Information Principles [19.82391136775341]
  本稿では, 効率的な意思決定・意思決定のための, 新規で汎用的な構造情報原則に基づくフレームワーク,すなわちSIDMを提案する。 SIDMは、様々な単一エージェントおよびマルチエージェントRLアルゴリズムに柔軟に組み込むことができ、その性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-04-15T13:02:00Z)
• Semi-supervised Community Detection via Structural Similarity Metrics [0.0]
  本研究では,新しいノードのコミュニティラベルを推定することを目的とした,半教師付きコミュニティ検出問題について検討する。 本稿では,新しいノードとK$コミュニティ間の構造的類似度メトリック'を計算するアルゴリズムを提案する。 我々の知る限りでは、理論的な保証を提供する最初の半教師付きコミュニティ検出アルゴリズムである。
  論文  参考訳（メタデータ） (2023-06-01T19:02:50Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Joint Learning of Hierarchical Community Structure and Node Representations: An Unsupervised Approach [15.379817564640712]
  本稿では,階層的なコミュニティ構造とグラフのノード表現を教師なしで共同で学習するアルゴリズムであるMaziを紹介する。 本手法は,多種多様な合成および実世界のグラフ上で評価し,Maziが他の階層的および非階層的手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-22T15:48:10Z)
• IM-META: Influence Maximization Using Node Metadata in Networks With Unknown Topology [13.704584231053675]
  本稿では,クエリやノードメタデータから情報を取得することで,未知のトポロジを持つネットワークにおけるIM(influence)の解決法を提案する。 IM-METAでは,1)ニューラルネットワークを用いて収集したメタデータとエッジの関係を学習し,2)強化グラフを構築するために複数の推測された自信のあるエッジを選択し,3)推論された影響の広がりを最大化してクエリの次のノードを同定する。
  論文  参考訳（メタデータ） (2021-06-05T16:11:02Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)

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。