論文の概要: Identifying Key Nodes for the Influence Spread using a Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2412.01949v1
• Date: Mon, 02 Dec 2024 20:17:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:43:06.764741
• Title: Identifying Key Nodes for the Influence Spread using a Machine Learning Approach
• Title（参考訳）: 機械学習を用いた影響拡散のための鍵ノードの同定
• Authors: Mateusz Stolarski, Adam Piróg, Piotr Bródka,
• Abstract要約: 本稿では、影響拡散問題に対する強化された機械学習ベースのフレームワークを提案する。 本稿では,一般的な参照手法である独立カスケードモデルのキーノードの同定に着目する。 次に,本手法は,与えられたノードの影響を予測できるだけでなく,拡散過程の他の特性も決定できることを示す。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License:
• Abstract: The identification of key nodes in complex networks is an important topic in many network science areas. It is vital to a variety of real-world applications, including viral marketing, epidemic spreading and influence maximization. In recent years, machine learning algorithms have proven to outperform the conventional, centrality-based methods in accuracy and consistency, but this approach still requires further refinement. What information about the influencers can be extracted from the network? How can we precisely obtain the labels required for training? Can these models generalize well? In this paper, we answer these questions by presenting an enhanced machine learning-based framework for the influence spread problem. We focus on identifying key nodes for the Independent Cascade model, which is a popular reference method. Our main contribution is an improved process of obtaining the labels required for training by introducing 'Smart Bins' and proving their advantage over known methods. Next, we show that our methodology allows ML models to not only predict the influence of a given node, but to also determine other characteristics of the spreading process-which is another novelty to the relevant literature. Finally, we extensively test our framework and its ability to generalize beyond complex networks of different types and sizes, gaining important insight into the properties of these methods.
• Abstract（参考訳）: 複雑なネットワークにおけるキーノードの同定は多くのネットワーク科学領域において重要なトピックである。 バイラルマーケティング、パンデミック拡散、影響力の最大化など、さまざまな現実世界のアプリケーションにとって不可欠である。 近年、機械学習アルゴリズムは、精度と一貫性において従来の中央集権法よりも優れていることが証明されているが、このアプローチにはさらなる改良が必要である。 ネットワークからインフルエンサーに関する情報を抽出できるだろうか? トレーニングに必要なラベルをどうやって正確に取得できるのか? これらのモデルはうまく一般化できますか? 本稿では、影響拡散問題に対する機械学習に基づくフレームワークを改良し、これらの疑問に答える。 本稿では,一般的な参照手法である独立カスケードモデルのキーノードの同定に着目する。 私たちの主な貢献は、'Smart Bins'を導入し、既知のメソッドよりも優位性を示すことによって、トレーニングに必要なラベルを取得するプロセスを改善することです。 次に,本手法は,あるノードの影響を予測できるだけでなく,関連する文献の新たな特徴である拡散過程の他の特性も決定できることを示す。 最後に、我々のフレームワークと、異なるタイプや大きさの複雑なネットワークを超えて一般化できる能力を広範囲にテストし、これらの手法の特性について重要な洞察を得る。

関連論文リスト

• Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks [51.54002032659713]
  ソーシャルネットワークにおけるキーノードを識別する新しいマルチパースペクティブメモリ拡張ネットワーク(MMEN)を提案する。 MMENは複数の視点からキーノードをマイニングし、履歴情報を記憶するためにメモリネットワークを利用する。 我々の手法は過去の方法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-22T14:29:03Z)
• Impact of network topology on the performance of Decentralized Federated Learning [4.618221836001186]
  分散機械学習は、インフラストラクチャの課題とプライバシの懸念に対処し、勢いを増している。 本研究では,3つのネットワークトポロジと6つのデータ分散手法を用いて,ネットワーク構造と学習性能の相互作用について検討する。 モデル集約時の希釈効果に起因する周辺ノードから中心ノードへの知識伝達の課題を強調した。
  論文  参考訳（メタデータ） (2024-02-28T11:13:53Z)
• Deep Internal Learning: Deep Learning from a Single Input [88.59966585422914]
  多くの場合、手元にある入力からネットワークをトレーニングする価値がある。 これは、トレーニングデータが少なく、多様性が大きい多くの信号および画像処理問題に特に関係している。 本研究の目的は,この2つの重要な方向に向けて,過去数年間に提案されてきた深層学習技術について報告することである。
  論文  参考訳（メタデータ） (2023-12-12T16:48:53Z)
• Unsupervised Learning via Network-Aware Embeddings [0.0]
  ノード属性間のネットワーク距離を推定することにより,ネットワーク対応の埋め込みを作成する方法を示す。 提案手法は完全オープンソースであり, 論文中のすべての結果を再現するためのデータとコードは利用可能である。
  論文  参考訳（メタデータ） (2023-09-19T08:17:48Z)
• The effect of network topologies on fully decentralized learning: a preliminary investigation [2.9592782993171918]
  分散機械学習システムでは、データは複数のデバイスまたはノードに分割され、それぞれが独自のデータを使用してローカルモデルをトレーニングする。 異なるタイプのトポロジが「知識の拡散」に与える影響について検討する。 具体的には、多かれ少なかれ連結されたノード(ハーブと葉)のこのプロセスにおける異なる役割を強調します。
  論文  参考訳（メタデータ） (2023-07-29T09:39:17Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Vital Node Identification in Complex Networks Using a Machine Learning-Based Approach [12.898094758070474]
  本稿では,重要なノード識別のための機械学習に基づくデータ駆動手法を提案する。 主な考え方は、グラフのごく一部、すなわち0.5%のノードでモデルをトレーニングし、残りのノードで予測を行うことである。 いくつかの機械学習モデルはノード表現に基づいて訓練されるが、最高の結果はRBFカーネルを備えたサポートベクトル回帰マシンによって達成される。
  論文  参考訳（メタデータ） (2022-02-13T06:54:18Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)

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。