論文の概要: DeepSN: A Sheaf Neural Framework for Influence Maximization

• arxiv url: http://arxiv.org/abs/2412.12416v1
• Date: Mon, 16 Dec 2024 23:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:00:04.707229
• Title: DeepSN: A Sheaf Neural Framework for Influence Maximization
• Title（参考訳）: DeepSN: 影響の最大化のためのせん断ニューラルネットワークフレームワーク
• Authors: Asela Hevapathige, Qing Wang, Ahad N. Zehmakan,
• Abstract要約: 影響はデータマイニングにおいて重要であり、ソーシャルネットワーク分析やバイラルマーケティングに広く応用されている。 近年、研究者たちはこの問題に対処するための機械学習技術に目を向けている。 DeepSNは、データ駆動のエンドツーエンド方式で多様な影響パターンを学ぶために、せん断神経拡散を用いる。
• 参考スコア（独自算出の注目度）: 7.2716257100195385
• License:
• Abstract: Influence maximization is key topic in data mining, with broad applications in social network analysis and viral marketing. In recent years, researchers have increasingly turned to machine learning techniques to address this problem. They have developed methods to learn the underlying diffusion processes in a data-driven manner, which enhances the generalizability of the solution, and have designed optimization objectives to identify the optimal seed set. Nonetheless, two fundamental gaps remain unsolved: (1) Graph Neural Networks (GNNs) are increasingly used to learn diffusion models, but in their traditional form, they often fail to capture the complex dynamics of influence diffusion, (2) Designing optimization objectives is challenging due to combinatorial explosion when solving this problem. To address these challenges, we propose a novel framework, DeepSN. Our framework employs sheaf neural diffusion to learn diverse influence patterns in a data-driven, end-to-end manner, providing enhanced separability in capturing diffusion characteristics. We also propose an optimization technique that accounts for overlapping influence between vertices, which helps to reduce the search space and identify the optimal seed set effectively and efficiently. Finally, we conduct extensive experiments on both synthetic and real-world datasets to demonstrate the effectiveness of our framework.
• Abstract（参考訳）: 影響の最大化はデータマイニングにおいて重要なトピックであり、ソーシャルネットワーク分析やバイラルマーケティングに広く応用されている。 近年、研究者たちはこの問題に対処するための機械学習技術に目を向けている。 彼らは、解の一般化性を高めるために、データ駆動方式で基礎となる拡散過程を学習する方法を開発し、最適なシードセットを特定するための最適化目標を設計した。 1) グラフニューラルネットワーク(GNN)は拡散モデル学習にますます使われているが、従来のモデルでは拡散の複雑なダイナミクスを捉えるのに失敗することが多い。 これらの課題に対処するため、我々はDeepSNという新しいフレームワークを提案する。 データ駆動型エンドツーエンド方式で多様な影響パターンを学習するために,本フレームワークでは,拡散特性の捕捉における分離性の向上を実現している。 また,頂点間の重なり合う影響を考慮に入れた最適化手法を提案する。 最後に、我々のフレームワークの有効性を実証するために、合成データセットと実世界のデータセットの両方で広範な実験を行う。

関連論文リスト

• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• Influence Maximization via Graph Neural Bandits [54.45552721334886]
  IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。 IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T17:54:33Z)
• DSCom: A Data-Driven Self-Adaptive Community-Based Framework for Influence Maximization in Social Networks [3.97535858363999]
  我々は、属性ネットワーク上の問題を再構成し、ノード属性を利用して接続ノード間の近接性を推定する。 具体的には、この問題に対処するため、DSComという機械学習ベースのフレームワークを提案する。 従来の理論的研究と比較して,実世界のソーシャルネットワークに基づくパラメータ化拡散モデルを用いた実験実験を慎重に設計した。
  論文  参考訳（メタデータ） (2023-11-18T14:03:43Z)
• Deep Graph Representation Learning and Optimization for Influence Maximization [10.90744025490539]
  インフルエンサー(IM)は、ソーシャルネットワークから初期ユーザのセットを選択して、影響を受けたユーザの期待人数を最大化する。 本稿では,シードセットの潜在表現を生成的に特徴付けるための新しいフレームワークであるDeepIMを提案する。 また、フレキシブルなノード分散性に基づく予算制約の下で最適なシードセットを推論する新たな目的関数を設計する。
  論文  参考訳（メタデータ） (2023-05-01T15:45:01Z)
• ToupleGDD: A Fine-Designed Solution of Influence Maximization by Deep Reinforcement Learning [4.266866385061998]
  本稿では、影響最大化(IM)問題に対処するため、新しいエンドツーエンドDRLフレームワークToupleGDDを提案する。 我々のモデルは、小さな予算でランダムに生成されたいくつかの小さなグラフで訓練され、様々な大きな予算の下で全く異なるネットワークでテストされる。
  論文  参考訳（メタデータ） (2022-10-14T03:56:53Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Grain: Improving Data Efficiency of Graph Neural Networks via Diversified Influence Maximization [24.25156825467544]
  グラフニューラルネットワーク(GNN)は、既存のデータ選択方法が設計したモデルを越えている。 我々は、GNNにおけるデータ選択と社会的影響を結びつけることによって、新しい視点を開放する効率的なフレームワークであるGrainを紹介する。 公開データセットに関する実証研究により、GrainはGNNのデータ選択の性能と効率の両方を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2021-07-31T11:39:00Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。