論文の概要: AI Can Enhance Creativity in Social Networks

• arxiv url: http://arxiv.org/abs/2410.15264v1
• Date: Sun, 20 Oct 2024 03:33:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:15.536525
• Title: AI Can Enhance Creativity in Social Networks
• Title（参考訳）: AIはソーシャルネットワークで創造性を高めることができる
• Authors: Raiyan Abdul Baten, Ali Sarosh Bangash, Krish Veera, Gourab Ghoshal, Ehsan Hoque,
• Abstract要約: 我々は、意味的特徴とネットワーク構造的特徴を用いて、人々の思考性能を予測するモデルを訓練した。 SocialMuseは、予測パフォーマンスを最大化し、ピアレコメンデーションを生成する。 ソーシャルミューズを用いた治療ネットワークは,いくつかの創造性対策において,AIに依存しない制御ネットワークよりも優れていた。
• 参考スコア（独自算出の注目度）: 1.8317588605009203
• License:
• Abstract: Can peer recommendation engines elevate people's creative performances in self-organizing social networks? Answering this question requires resolving challenges in data collection (e.g., tracing inspiration links and psycho-social attributes of nodes) and intervention design (e.g., balancing idea stimulation and redundancy in evolving information environments). We trained a model that predicts people's ideation performances using semantic and network-structural features in an online platform. Using this model, we built SocialMuse, which maximizes people's predicted performances to generate peer recommendations for them. We found treatment networks leveraging SocialMuse outperforming AI-agnostic control networks in several creativity measures. The treatment networks were more decentralized than the control, as SocialMuse increasingly emphasized network-structural features at large network sizes. This decentralization spreads people's inspiration sources, helping inspired ideas stand out better. Our study provides actionable insights into building intelligent systems for elevating creativity.
• Abstract（参考訳）: ピアレコメンデーションエンジンは、自己組織型ソーシャルネットワークにおける人々の創造的パフォーマンスを高めることができるか? この質問に答えるためには、データ収集(例えば、インスピレーションリンクとノードの心理社会的属性の追跡)と介入設計(例えば、進化する情報環境におけるアイデア刺激と冗長性のバランス)の課題を解決する必要がある。 オンラインプラットフォームにおけるセマンティック機能とネットワーク構造機能を用いて、人々の思考性能を予測するモデルを訓練した。 このモデルを用いてSocialMuseを構築し、予測されたパフォーマンスを最大化し、ピアレコメンデーションを生成する。 ソーシャルミューズを利用した治療ネットワークは,いくつかのクリエイティビティ対策において,AIに依存しない制御ネットワークよりも優れていた。 治療ネットワークはコントロールよりも分散化され、SocialMuseはネットワーク構造を大規模ネットワークサイズで強調した。 この分散化は人々のインスピレーションの源を広げ、インスピレーションのアイデアをよりよく目立たせるのに役立ちます。 私たちの研究は、創造性を高めるインテリジェントなシステムを構築するための実用的な洞察を提供する。

関連論文リスト

• Artificial Theory of Mind and Self-Guided Social Organisation [1.8434042562191815]
  人工知能(AI)が直面する課題の1つは、エージェントの集合が、単一のエージェントが到達できない目標を達成するために、どのように行動を調整するかである。 我々は、ニューラルネットワークにおける単一ニューロンの複雑さによる最近の研究に基づいて、一般的な設定での集合的知能について論じる。 社会構造が神経生理学、心理学、言語にどのように影響されているかを示す。
  論文  参考訳（メタデータ） (2024-11-14T04:06:26Z)
• Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach [4.138915764680197]
  本研究では,学術ソーシャルネットワークをソーシャルメディアにおけるレコメンデーションシステム調査のプロキシとして活用することを提案する。 グラフニューラルネットワーク(GNN)を用いて,学術情報圏の予測と行動予測を分離するモデルを構築する。 提案手法は,レコメンデーションシステムの役割とソーシャルネットワークのモデリングに関する理解を深めることを目的としている。
  論文  参考訳（メタデータ） (2024-10-06T17:03:27Z)
• Artificial General Intelligence (AGI)-Native Wireless Systems: A Journey Beyond 6G [58.440115433585824]
  デジタルツイン(DT)のようなサービスをサポートする将来の無線システムの構築は、メタサーフェスのような従来の技術への進歩を通じて達成することが困難である。 人工知能(AI)ネイティブネットワークは、無線技術のいくつかの制限を克服することを約束する一方で、開発は依然としてニューラルネットワークのようなAIツールに依存している。 本稿では、AIネイティブ無線システムの概念を再考し、それらを人工知能(AGI)ネイティブシステムに変換するために必要な共通感覚を取り入れた。
  論文  参考訳（メタデータ） (2024-04-29T04:51:05Z)
• Link Prediction for Social Networks using Representation Learning and Heuristic-based Features [1.279952601030681]
  ソーシャルネットワークのリンク不足を効率的に予測することは、現代の様々なビジネスアプリケーションに役立つ。 本稿では,ソーシャルネットワークにおけるノードとエッジの表現を生成するための様々な特徴抽出手法について検討する。
  論文  参考訳（メタデータ） (2024-03-13T15:23:55Z)
• Causal Reasoning: Charting a Revolutionary Course for Next-Generation AI-Native Wireless Networks [63.246437631458356]
  次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。 本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。 因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
  論文  参考訳（メタデータ） (2023-09-23T00:05:39Z)
• Exploiting Social Graph Networks for Emotion Prediction [2.7376140293132667]
  モバイルセンシングデータを用いて幸福とストレスを予測する。 人の生理的特徴に加えて、天気やソーシャルネットワークを通じて環境への影響も取り入れる。 ユーザのソーシャルネットワークの統合が予測に影響を及ぼすようなアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-12T20:24:39Z)
• Learning with Capsules: A Survey [73.31150426300198]
  カプセルネットワークは、オブジェクト中心の表現を学習するための畳み込みニューラルネットワーク(CNN)に代わるアプローチとして提案された。 CNNとは異なり、カプセルネットワークは部分的に階層的な関係を明示的にモデル化するように設計されている。
  論文  参考訳（メタデータ） (2022-06-06T15:05:36Z)
• Harnessing the Power of Ego Network Layers for Link Prediction in Online Social Networks [0.734084539365505]
  予測は典型的には教師なしまたは教師なしの学習に基づいている。 個人の社会的構造に関するより豊かな情報は、より良い予測につながるかもしれないと我々は主張する。 社会的認識が予測性能に大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-09-19T18:49:10Z)
• A game-theoretic analysis of networked system control for common-pool resource management using multi-agent reinforcement learning [54.55119659523629]
  マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。 共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
  論文  参考訳（メタデータ） (2020-10-15T14:12:26Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。