論文の概要: Human-Centric Community Detection in Hybrid Metaverse Networks with Integrated AI Entities

• arxiv url: http://arxiv.org/abs/2502.10750v1
• Date: Sat, 15 Feb 2025 10:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:09:33.288546
• Title: Human-Centric Community Detection in Hybrid Metaverse Networks with Integrated AI Entities
• Title（参考訳）: 統合AIエンティティを用いたハイブリッドメタバースネットワークにおける人間中心コミュニティ検出
• Authors: Shih-Hsuan Chiu, Ya-Wen Teng, De-Nian Yang, Ming-Syan Chen,
• Abstract要約: 本稿では,HASNにおける新しいコミュニティ検出問題について紹介する(MetaCDによる記述)。 コミュニティ内の人間との接続性を高めつつ、AIノードの存在を減らそうとしている。 我々は、このトレードオフをナビゲートするAI対応クラスタリング技術を取り入れた革新的なフレームワークであるCUSAを提案する。
• 参考スコア（独自算出の注目度）: 17.652560579337482
• License:
• Abstract: Community detection is a cornerstone problem in social network analysis (SNA), aimed at identifying cohesive communities with minimal external links. However, the rise of generative AI and Metaverse introduce complexities by creating hybrid human-AI social networks (denoted by HASNs), where traditional methods fall short, especially in human-centric settings. This paper introduces a novel community detection problem in HASNs (denoted by MetaCD), which seeks to enhance human connectivity within communities while reducing the presence of AI nodes. Effective processing of MetaCD poses challenges due to the delicate trade-off between excluding certain AI nodes and maintaining community structure. To address this, we propose CUSA, an innovative framework incorporating AI-aware clustering techniques that navigate this trade-off by selectively retaining AI nodes that contribute to community integrity. Furthermore, given the scarcity of real-world HASNs, we devise four strategies for synthesizing these networks under various hypothetical scenarios. Empirical evaluations on real social networks, reconfigured as HASNs, demonstrate the effectiveness and practicality of our approach compared to traditional non-deep learning and graph neural network (GNN)-based methods.
• Abstract（参考訳）: コミュニティ検出はソーシャルネットワーク分析(SNA)における基礎的な問題であり、最小限の外部リンクで結束性のあるコミュニティを特定することを目的としている。 しかし、生成的AIとメタバースの台頭は、特に人間中心の設定において従来の手法が不足する、ハイブリッドな人間-AIソーシャルネットワーク(HASNによって記述されている)を作ることによって複雑さをもたらす。 本稿では,AIノードの存在を低減しつつ,コミュニティ内の人間との接続性を高めることを目的とした,HASN(MetaCD)における新たなコミュニティ検出問題を提案する。 MetaCDの効率的な処理は、特定のAIノードを排除することとコミュニティ構造を維持することの間の微妙なトレードオフにより、課題を生じさせる。 そこで我々は,コミュニティの整合性に寄与するAIノードを選択的に保持することにより,このトレードオフをナビゲートするAI対応クラスタリング技術を取り入れた,革新的なフレームワークであるCUSAを提案する。 さらに、現実世界のHASNが不足していることを踏まえ、これらのネットワークを様々な仮説シナリオ下で合成するための4つの戦略を考案した。 HASNとして再構成された実ソーシャルネットワーク上での実証的な評価は、従来の非深層学習やグラフニューラルネットワーク(GNN)に基づく手法と比較して、我々のアプローチの有効性と実用性を示している。

関連論文リスト

• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• NISQ-ready community detection based on separation-node identification [1.1515672349310584]
  入力グラフの隣接行列として,QUBO行列をスパースとして表現し,ノード数のみを必要とする新しいQUBO方式を提案する。 QUBO行列の空間性は、典型的には関連する研究において非常に密接なものであり、分離ノードという新しい概念によって大幅に改善される。
  論文  参考訳（メタデータ） (2022-12-30T13:58:06Z)
• Direct Comparative Analysis of Nature-inspired Optimization Algorithms on Community Detection Problem in Social Networks [1.4699455652461721]
  自然にインスパイアされた最適化アルゴリズム(NIOAs)は、今日ではソーシャルネットワークにおけるコミュニティ検出の一般的な選択肢となっている。 本稿では,NIOAをコミュニティ検出問題として分析する。 直接比較法は、NIOAsのペア比較を行うために従う。 NIOAsが生み出すコミュニティの質を分析するために,3つの現実世界のソーシャルネットワークと4つのNIOAが検討されている。
  論文  参考訳（メタデータ） (2022-12-21T06:43:46Z)
• Enhance Ambiguous Community Structure via Multi-strategy Community Related Link Prediction Method with Evolutionary Process [7.239725647907488]
  我々は新しいコミュニティ属性に基づくリンク予測戦略HAPを設計する。 本稿では,あいまいなコミュニティ構造を明らかにするためのリンクを追加することで,コミュニティの強化を図ることを目的とする。 提案手法は,提案手法が他のベースライン法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T06:24:16Z)
• SSSNET: Semi-Supervised Signed Network Clustering [4.895808607591299]
  SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を新たに導入する。 主な斬新なアプローチは、署名されたネットワーク埋め込みにおける社会的バランス理論の役割に関する新しい見解である。
  論文  参考訳（メタデータ） (2021-10-13T10:36:37Z)
• 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)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• QD-GCN: Query-Driven Graph Convolutional Networks for Attributed Community Search [54.42038098426504]
  QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。 本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
  論文  参考訳（メタデータ） (2021-04-08T07:52:48Z)
• A multilevel clustering technique for community detection [0.0]
  本研究では,ネットワーク内の関連コミュニティを識別するスケーラブルなフレームワークに基づく新しい検出手法を提案する。 マイクロコズムと呼ばれる地域社会を識別するために構造的およびテキスト的情報を活用するマルチレベルクラスタリング手法(MCT)を提案する。 このアプローチは、低レベルのコミュニティがTwitterでどのように進化し、行動するかを説明するためのより良い理解と明快さを提供します。
  論文  参考訳（メタデータ） (2021-01-16T23:26:44Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)

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。