論文の概要: Diffusion Model Agnostic Social Influence Maximization in Hyperbolic Space

• arxiv url: http://arxiv.org/abs/2502.13571v1
• Date: Wed, 19 Feb 2025 09:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 13:58:50.763129
• Title: Diffusion Model Agnostic Social Influence Maximization in Hyperbolic Space
• Title（参考訳）: 双曲空間における拡散モデルによる社会的影響の最大化
• Authors: Hongliang Qiao,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The Influence Maximization (IM) problem aims to find a small set of influential users to maximize their influence spread in a social network. Traditional methods rely on fixed diffusion models with known parameters, limiting their generalization to real-world scenarios. In contrast, graph representation learning-based methods have gained wide attention for overcoming this limitation by learning user representations to capture influence characteristics. However, existing studies are built on Euclidean space, which fails to effectively capture the latent hierarchical features of social influence distribution. As a result, users' influence spread cannot be effectively measured through the learned representations. To alleviate these limitations, we propose HIM, a novel diffusion model agnostic method that leverages hyperbolic representation learning to estimate users' potential influence spread from social propagation data. HIM consists of two key components. First, a hyperbolic influence representation module encodes influence spread patterns from network structure and historical influence activations into expressive hyperbolic user representations. Hence, the influence magnitude of users can be reflected through the geometric properties of hyperbolic space, where highly influential users tend to cluster near the space origin. Second, a novel adaptive seed selection module is developed to flexibly and effectively select seed users using the positional information of learned user representations. Extensive experiments on five network datasets demonstrate the superior effectiveness and efficiency of our method for the IM problem with unknown diffusion model parameters, highlighting its potential for large-scale real-world social networks.
• Abstract（参考訳）: 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。 対照的に、グラフ表現学習に基づく手法は、影響特性を捉えるためにユーザ表現を学習することで、この制限を克服するために広く注目を集めている。 しかし、既存の研究はユークリッド空間上に構築されており、社会的影響分布の潜在階層的特徴を効果的に捉えられなかった。 その結果、学習した表現を通してユーザーの影響力を効果的に測定することはできない。 これらの制約を緩和するために,双曲表現学習を利用した新しい拡散モデル非依存手法であるHIMを提案し,ソーシャルな伝播データからユーザへの影響を推定する。 HIMは2つのキーコンポーネントから構成される。 まず、ハイパーボリック・インフルエンス・表現モジュールは、ネットワーク構造や歴史的インフルエンス・アクティベーションからのインフルエンス・インフルエンス・パターンを表現型ハイパーボリック・ユーザ・表現にエンコードする。 したがって、ユーザの影響の大きさは双曲空間の幾何学的性質を通して反映することができ、そこでは、非常に影響力のあるユーザが空間の起源の近くに集結する傾向がある。 第2に、学習したユーザ表現の位置情報を用いて、フレキシブルかつ効果的にシードユーザを選択するために、新しい適応型シード選択モジュールを開発する。 5つのネットワークデータセットに対する大規模な実験により、拡散モデルパラメータが未知のIM問題に対する手法の有効性と効率が向上し、大規模実世界のソーシャルネットワークの可能性を強調した。

関連論文リスト

• REM: A Scalable Reinforced Multi-Expert Framework for Multiplex Influence Maximization [3.275046031354923]
  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。
  論文  参考訳（メタデータ） (2025-01-01T09:13:09Z)
• 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)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)
• Influence Maximization Under Generic Threshold-based Non-submodular Model [1.5780411262109524]
  社会的影響の概念は、ソーシャルネットワークから最も影響力のあるノード(シードノード)の数を選択し、彼らが共同で最大の影響の拡散をトリガーできるようにすることです。 本稿では,ネットワークグラフを用いた一般化されたしきい値ベースモデルであるインフルエンサーバリケードモデルにおける種選択戦略を提案する。 私たちの知る限りでは、これは非サブモジュラーな影響を直接取り扱う最初のグラフベースのアプローチです。
  論文  参考訳（メタデータ） (2020-12-18T16:14:49Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)
• Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction [31.420391287068846]
  本稿では,近距離保存型ソーシャルおよび位置符号化型潜伏変数を通じて,ホモフィリと影響を共同で埋め込む新しい変分オートエンコーダフレームワーク(Inf-VAE)を提案する。 Inf-VAEにおけるDigg, Weibo, Stack-Exchangesなど,複数の実世界のソーシャルネットワークデータセットに対する実験結果から,最先端拡散予測モデルよりも大きな利益(22% MAP@10)が得られた。
  論文  参考訳（メタデータ） (2020-01-01T03:35:10Z)

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。