論文の概要: Non-Progressive Influence Maximization in Dynamic Social Networks

• arxiv url: http://arxiv.org/abs/2412.07402v1
• Date: Tue, 10 Dec 2024 10:52:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:36:07.986506
• Title: Non-Progressive Influence Maximization in Dynamic Social Networks
• Title（参考訳）: 動的ソーシャルネットワークにおける非プログレッシブ影響の最大化
• Authors: Yunming Hui, Shihan Wang, Melisachew Wudage Chekol, Stevan Rudinac, Inez Maria Zwetsloot,
• Abstract要約: インフルエンス(IM)問題は、ネットワーク接続を通じてインフルエンスの拡大を最大化できる、ソーシャルネットワーク内のキーパーソナリティの集合を特定することである。 本稿では,実世界のソーシャルネットワークの動的性質を考察する,動的非プログレッシブIM問題に焦点をあてる。 本稿では,グラフ埋め込みを効果的に活用して動的ネットワークの時間変化を捉え,深層強化学習とシームレスに統合するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.7618284656539878
• License:
• Abstract: The influence maximization (IM) problem involves identifying a set of key individuals in a social network who can maximize the spread of influence through their network connections. With the advent of geometric deep learning on graphs, great progress has been made towards better solutions for the IM problem. In this paper, we focus on the dynamic non-progressive IM problem, which considers the dynamic nature of real-world social networks and the special case where the influence diffusion is non-progressive, i.e., nodes can be activated multiple times. We first extend an existing diffusion model to capture the non-progressive influence propagation in dynamic social networks. We then propose the method, DNIMRL, which employs deep reinforcement learning and dynamic graph embedding to solve the dynamic non-progressive IM problem. In particular, we propose a novel algorithm that effectively leverages graph embedding to capture the temporal changes of dynamic networks and seamlessly integrates with deep reinforcement learning. The experiments, on different types of real-world social network datasets, demonstrate that our method outperforms state-of-the-art baselines.
• Abstract（参考訳）: 影響の最大化(IM)問題は、ネットワーク接続を通じて影響の広がりを最大化できるソーシャルネットワーク内の重要な個人の集合を特定することである。 グラフ上の幾何学的深層学習の出現により、IM問題に対するより良い解決策に向けた大きな進展が見られた。 本稿では、実世界のソーシャルネットワークの動的性質を考察する動的非プログレッシブIM問題と、影響拡散が非プログレッシブである特別な場合、すなわちノードを複数回活性化することができることに焦点を当てる。 まず、既存の拡散モデルを拡張して、動的ソーシャルネットワークにおける非進行的影響伝播を捉える。 次に, 動的非プログレッシブIM問題の解法として, 深層強化学習と動的グラフ埋め込みを用いたDNIMRLを提案する。 特に,グラフ埋め込みを効果的に活用して動的ネットワークの時間変化を捉え,深層強化学習とシームレスに統合するアルゴリズムを提案する。 実験は、実世界のソーシャルネットワークのデータセットの種類によって異なり、我々の手法が最先端のベースラインより優れていることを実証している。

関連論文リスト

• From Lazy to Rich: Exact Learning Dynamics in Deep Linear Networks [47.13391046553908]
  人工ネットワークでは、これらのモデルの有効性はタスク固有の表現を構築する能力に依存している。 以前の研究では、異なる初期化によって、表現が静的な遅延状態にあるネットワークや、表現が動的に進化するリッチ/フィーチャーな学習体制のいずれかにネットワークを配置できることが強調されていた。 これらの解は、豊かな状態から遅延状態までのスペクトルにわたる表現とニューラルカーネルの進化を捉えている。
  論文  参考訳（メタデータ） (2024-09-22T23:19:04Z)
• Multi-Agent Reinforcement Learning for Power Control in Wireless Networks via Adaptive Graphs [1.1861167902268832]
  多エージェント深部強化学習(MADRL)は、電力制御のような幅広い複雑な最適化問題に対処するための有望な手法として登場した。 本稿では,これらの課題を緩和する有効な手段として,分散エージェント間の通信誘導構造としてグラフを用いることを提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:25:40Z)
• Learning Continuous Network Emerging Dynamics from Scarce Observations via Data-Adaptive Stochastic Processes [11.494631894700253]
  我々は、データ適応型ネットワークダイナミクスによって制御される新しいプロセスのクラスであるODE Processs for Network Dynamics (NDP4ND)を紹介する。 提案手法はデータと計算効率に優れており,未確認のネットワークに適応できることを示す。
  論文  参考訳（メタデータ） (2023-10-25T08:44:05Z)
• Amortized Network Intervention to Steer the Excitatory Point Processes [8.15558505134853]
  動的グラフ上に発生する励起点過程(すなわちイベントフロー)は、時間と空間を通じて離散事象がどのように広がるかを把握するためのきめ細かいモデルを提供する。 動的グラフ構造を変更してイベントフローを効果的に操縦する方法は、感染症の拡散を抑制する動機となる興味深い問題である。 我々はAmortized Network Interventionsフレームワークを設計し、履歴やその他のコンテキストから最適なポリシーをプールできるようにする。
  論文  参考訳（メタデータ） (2023-10-06T11:17:28Z)
• Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
  動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。 本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-28T04:08:40Z)
• GradMDM: Adversarial Attack on Dynamic Networks [10.948810070861525]
  我々は,新しいアルゴリズムであるGradMDMを用いて動的モデルを攻撃する。 GradMDMは勾配の方向と大きさを調整し、入力ごとに小さな摂動を効果的に見つける。 複数のデータセットおよび動的モデル上でGradMDMを評価し、従来のエネルギー指向攻撃手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-01T09:07:12Z)
• Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
  適応型ニューラルネットワークの動的対向攻撃問題について検討する。 本稿では,LGM(Leaded Gradient Method)を提案する。 我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
  論文  参考訳（メタデータ） (2022-10-15T01:32:08Z)
• Provably Efficient Reinforcement Learning for Online Adaptive Influence Maximization [53.11458949694947]
  本稿では,リアルタイムフィードバックに基づいてシードノードを逐次活性化する,コンテンツ依存型オンライン影響問題の適応バージョンについて検討する。 提案アルゴリズムは,最適政策を楽観的に改善しつつ,ネットワークモデルの推定を保守し,適応的にシードを選択する。
  論文  参考訳（メタデータ） (2022-06-29T18:17:28Z)
• Dynamics-aware Adversarial Attack of 3D Sparse Convolution Network [75.1236305913734]
  ディープニューラルネットワークにおける動的に認識される敵攻撃問題について検討する。 ほとんどの既存の敵攻撃アルゴリズムは基本的な前提の下で設計されており、ネットワークアーキテクチャは攻撃プロセス全体を通して固定されている。 本稿では,LGM(Leaded Gradient Method)を提案する。
  論文  参考訳（メタデータ） (2021-12-17T10:53:35Z)
• Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
  インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。 本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。 最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
  論文  参考訳（メタデータ） (2021-06-13T16:42:22Z)
• ABEM: An Adaptive Agent-based Evolutionary Approach for Mining Influencers in Online Social Networks [1.6128569396451058]
  オンラインソーシャルネットワークにおける進化的影響力の重要なステップは、インフルエンサーとして知られる少数のユーザーの識別です。 これらのネットワークの構造の進化する性質は、これらのインフルエンサーを見つけて識別することを困難にします。 静的ネットワークと動的ネットワークの両方の文脈でこの問題に対処するための適応型エージェントベースアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-14T00:31:08Z)

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。