論文の概要: Towards Effective Planning Strategies for Dynamic Opinion Networks
- arxiv url: http://arxiv.org/abs/2410.14091v1
- Date: Fri, 18 Oct 2024 00:13:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-21 14:26:32.297025
- Title: Towards Effective Planning Strategies for Dynamic Opinion Networks
- Title（参考訳）: 動的オピニオンネットワークのための効果的な計画戦略に向けて
- Authors: Bharath Muppasani, Protik Nag, Vignesh Narayanan, Biplav Srivastava, Michael N. Huhns,
- Abstract要約: 介入計画には、キーノードの特定と制御の実行が含まれる。
ネットワークサイズが大きくなると、この問題は計算的に難解になる。
正確な情報を伝達するためのキーノードを識別するための新しいランキングアルゴリズム(検索)を導入する。
また、強化学習(RL)に基づく動的計画フレームワークも開発している。
- 参考スコア（独自算出の注目度）: 6.004258622952781
- License:
- Abstract: In this study, we investigate the under-explored intervention planning aimed at disseminating accurate information within dynamic opinion networks by leveraging learning strategies. Intervention planning involves identifying key nodes (search) and exerting control (e.g., disseminating accurate/official information through the nodes) to mitigate the influence of misinformation. However, as network size increases, the problem becomes computationally intractable. To address this, we first introduce a novel ranking algorithm (search) to identify key nodes for disseminating accurate information, which facilitates the training of neural network (NN) classifiers for scalable and generalized solutions. Second, we address the complexity of label generation (through search) by developing a Reinforcement Learning (RL)-based dynamic planning framework. We investigate NN-based RL planners tailored for dynamic opinion networks governed by two propagation models for the framework. Each model incorporates both binary and continuous opinion and trust representations. Our experimental results demonstrate that our ranking algorithm-based classifiers provide plans that enhance infection rate control, especially with increased action budgets. Moreover, reward strategies focusing on key metrics, such as the number of susceptible nodes and infection rates, outperform those prioritizing faster blocking strategies. Additionally, our findings reveal that Graph Convolutional Networks (GCNs)-based planners facilitate scalable centralized plans that achieve lower infection rates (higher control) across various network scenarios (e.g., Watts-Strogatz topology, varying action budgets, varying initial infected nodes, and varying degree of infected nodes).
- Abstract（参考訳）: 本研究では,学習戦略を活用することにより,動的意見ネットワーク内での正確な情報伝達を目的とした未探索介入計画について検討する。
介入計画には、キーノード(探索)を特定し、誤った情報の影響を軽減するための制御(例えば、ノードを介して正確な/公式な情報を広める)を実行することが含まれる。
しかし、ネットワークサイズが大きくなるにつれて、この問題は計算的に難解になる。
これを解決するために、我々はまず、ニューラルネットワーク(NN)分類器のトレーニングを容易にする、正確な情報を広めるためのキーノードを特定するための新しいランキングアルゴリズム(検索)を導入する。
次に,Reinforcement Learning (RL) に基づく動的計画フレームワークを開発することにより,ラベル生成の複雑さに対処する。
フレームワークの2つの伝搬モデルによって制御される動的世論ネットワークに適したNNベースのRLプランナについて検討する。
各モデルは、バイナリと連続的な意見と信頼表現の両方を包含する。
実験の結果, アルゴリズムを用いた分類器は感染率制御の強化, 特に行動予算の増大を図っている。
さらに、感受性ノードの数や感染率といった重要な指標に焦点を当てた報酬戦略は、より高速なブロッキング戦略を優先する指標よりも優れています。
さらに, グラフ畳み込みネットワーク(GCN)を基盤としたプランナは, 様々なネットワークシナリオ(例えば, Watts-Strogatzトポロジ, アクション予算, 初期感染ノードの変動, 感染ノードの度合いなど)において, 感染率の低下(高い制御)を実現する, スケーラブルな集中型プランナを実現する。
関連論文リスト
- Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。
我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文 参考訳（メタデータ） (2024-04-04T06:24:11Z) - Network Alignment with Transferable Graph Autoencoders [79.89704126746204]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Efficient Network Representation for GNN-based Intrusion Detection [2.321323878201932]
過去数十年間、深刻な経済とプライバシーの被害を受けたサイバー攻撃の数が増加している。
本稿では,侵入検知タスクのトポロジ情報の提供を目的とした,フローのグラフとしての新しいネットワーク表現を提案する。
提案するグラフ構造を利用したグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-11T16:10:12Z) - AoI-based Temporal Attention Graph Neural Network for Popularity
Prediction and Content Caching [9.16219929722585]
情報中心ネットワーク(ICN)は、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持することを目的としている。
本稿では,2部グラフに埋め込まれた構造パターンと時間パターンを協調的に学習するために,有効な動的グラフニューラルネットワーク(DGNN)を利用する。
また,情報時代(AoI)に基づくアテンション機構を提案し,貴重な歴史的情報を抽出する。
論文 参考訳（メタデータ） (2022-08-18T02:57:17Z) - CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks [0.49269463638915806]
カスケード予測は,ネットワーク内の情報拡散をモデル化することを目的とした。
グラフニューラルネットワークとリカレントニューラルネットワークによるネットワーク構造とシーケンス特徴の組み合わせに関する研究
本稿では,個々のプロファイル,構造特徴,シーケンス情報を考慮した新しいCCasGNNを提案する。
論文 参考訳（メタデータ） (2021-12-07T11:37:36Z) - Predicting Critical Nodes in Temporal Networks by Dynamic Graph
Convolutional Networks [1.213512753726579]
ネットワーク構造が時間とともに変化するため、クリティカルノードを特定することは困難である。
本稿では,特殊なGCNとRNNを組み合わせた,新しい効果的な学習フレームワークを提案する。
4つの実世界の時間ネットワークに対する実験結果から,提案手法は従来のベンチマーク法とディープラーニングベンチマーク法の両方より優れていることが示された。
論文 参考訳（メタデータ） (2021-06-19T04:16:18Z) - Bayesian Attention Belief Networks [59.183311769616466]
注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。
本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。
提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-09T17:46:22Z) - NF-GNN: Network Flow Graph Neural Networks for Malware Detection and
Classification [11.624780336645006]
悪意あるソフトウェア(マルウェア)は、通信システムのセキュリティに対する脅威を増大させる。
監視および監視されていない設定でマルウェアの検出と分類をサポートする3つのベースモデルを紹介します。
4つの異なる予測タスクに関する実験は、一貫してこのアプローチの利点を実証し、グラフニューラルネットワークモデルが検出性能を大幅に向上させることができることを示した。
論文 参考訳（メタデータ） (2021-03-05T20:54:38Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-28T17:55:04Z) - Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。
バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。
本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文 参考訳（メタデータ） (2020-03-31T16:47:20Z)
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。