論文の概要: REM: A Scalable Reinforced Multi-Expert Framework for Multiplex Influence Maximization

• arxiv url: http://arxiv.org/abs/2501.00779v1
• Date: Wed, 01 Jan 2025 09:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:12:47.257685
• Title: REM: A Scalable Reinforced Multi-Expert Framework for Multiplex Influence Maximization
• Title（参考訳）: REM: 多重影響最大化のためのスケーラブル強化多機能フレームワーク
• Authors: Huyen Nguyen, Hieu Dam, Nguyen Do, Cong Tran, Cuong Pham,
• Abstract要約: ソーシャルオンラインプラットフォームでは、影響力のあるシードユーザーを特定し、影響力の広がりを最大化することが重要な課題である。 これらの問題に対処するために、Reinforced Expert Maximization framework (REM)を提案する。 REMは、影響拡大、スケーラビリティ、および影響タスクにおける推論時間の観点から、最先端の手法を超越している。
• 参考スコア（独自算出の注目度）: 3.275046031354923
• License:
• Abstract: In social online platforms, identifying influential seed users to maximize influence spread is a crucial as it can greatly diminish the cost and efforts required for information dissemination. While effective, traditional methods for Multiplex Influence Maximization (MIM) have reached their performance limits, prompting the emergence of learning-based approaches. These novel methods aim for better generalization and scalability for more sizable graphs but face significant challenges, such as (1) inability to handle unknown diffusion patterns and (2) reliance on high-quality training samples. To address these issues, we propose the Reinforced Expert Maximization framework (REM). REM leverages a Propagation Mixture of Experts technique to encode dynamic propagation of large multiplex networks effectively in order to generate enhanced influence propagation. Noticeably, REM treats a generative model as a policy to autonomously generate different seed sets and learn how to improve them from a Reinforcement Learning perspective. Extensive experiments on several real-world datasets demonstrate that REM surpasses state-of-the-art methods in terms of influence spread, scalability, and inference time in influence maximization tasks.
• Abstract（参考訳）: ソーシャルオンラインプラットフォームでは、情報発信に必要なコストと労力を大幅に削減できるため、影響力のあるシードユーザを特定することが重要である。 効果はあるものの、従来のMIM(Multiplex Influence Maximization)の手法は性能限界に達し、学習ベースのアプローチの出現を促している。 これらの新しい手法は、より大規模なグラフの一般化とスケーラビリティの向上を目的としているが、(1)未知の拡散パターンを扱えないこと、(2)高品質なトレーニングサンプルへの依存など、重大な課題に直面している。 これらの問題に対処するため、Reinforced Expert Maximization framework (REM)を提案する。 REMは、プロパゲーション・ミックス・オブ・エキスパートズ(Propagation Mixture of Experts)技術を利用して、大きな多重ネットワークの動的伝搬を効果的に符号化し、強化された影響伝搬を生成する。 注目すべきは、REMは生成モデルを、異なるシードセットを自律的に生成し、強化学習の観点からそれらを改善する方法を学ぶためのポリシーとして扱うことである。 いくつかの実世界のデータセットに対する大規模な実験により、REMは影響の広がり、スケーラビリティ、および影響の最大化タスクにおける推論時間の観点から、最先端の手法を超越していることが示された。

関連論文リスト

• Diffusion Model Agnostic Social Influence Maximization in Hyperbolic Space [0.0]
  インフルエンス・最大化(IM)問題は、ソーシャルネットワークに広がる影響力を最大化するために、少数の影響力のあるユーザーを見つけることを目的としている。 従来の手法は、既知のパラメータを持つ固定拡散モデルに依存しており、それらの一般化を現実のシナリオに限定している。 本稿では,ハイパーボリック表現学習を利用してユーザへの影響を推定する,新しい拡散モデル非依存手法であるHIMを提案する。
  論文  参考訳（メタデータ） (2025-02-19T09:24:28Z)
• DeepSN: A Sheaf Neural Framework for Influence Maximization [7.2716257100195385]
  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。
  論文  参考訳（メタデータ） (2024-12-16T23:49:51Z)
• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• 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)
• Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
  本稿では,自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 これらの課題に対処するため、我々は自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
  論文  参考訳（メタデータ） (2024-06-08T10:12:00Z)
• MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
  実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。 近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。 SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
  論文  参考訳（メタデータ） (2024-04-13T13:39:26Z)
• Intuition-aware Mixture-of-Rank-1-Experts for Parameter Efficient Finetuning [50.73666458313015]
  大規模言語モデル(LLM)はマルチメディアアプリケーションで複数のタスクを実行する上で大きな可能性を証明している。 MoEは、効率的なタスクデカップリングのためのスパースアーキテクチャによる有望なソリューションとして登場した。 Intuition-MoR1Eは14のパブリックデータセットで優れた効率と2.15%の全体的な精度向上を実現している。
  論文  参考訳（メタデータ） (2024-04-13T12:14:58Z)
• Graph Bayesian Optimization for Multiplex Influence Maximization [9.155955744238852]
  インフルエンス(IM)とは、ソーシャルネットワーク内の初期影響力のあるユーザ数を限定的に特定し、影響力のあるユーザ数を最大化する問題である。 これまでの研究は主に、複数の情報項目の同時的かつインタラクティブな拡散を無視して、個々の情報伝達に焦点を当ててきた。 本稿では,情報関連機構を持つ拡散モデルを用いて,まず多重化最大化(Multi-IM)問題を定式化する。
  論文  参考訳（メタデータ） (2024-03-25T14:50:01Z)
• MIM-Reasoner: Learning with Theoretical Guarantees for Multiplex Influence Maximization [22.899884160183596]
  マルチプレックス・インフルエンス(MIM)は、マルチプレクサネットワークにおいて、期待される影響のあるユーザ数を最大化するために、シードユーザのセットを特定するように要求する。 多重化ネットワークの層内および層間における複雑な伝搬過程をキャプチャするMIM-Reasonerを提案する。
  論文  参考訳（メタデータ） (2024-02-24T03:48:22Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• 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)

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。