論文の概要: Learning hidden cascades via classification

• arxiv url: http://arxiv.org/abs/2505.11228v1
• Date: Fri, 16 May 2025 13:23:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.072495
• Title: Learning hidden cascades via classification
• Title（参考訳）: 分類による隠れカスケードの学習
• Authors: Derrick Gilchrist Edward Manoharan, Anubha Goel, Alexandros Iosifidis, Henri Hansen, Juho Kanniainen,
• Abstract要約: 拡散モデルの特徴を学習するための部分的可観測性を考慮した機械学習フレームワークを提案する。 本手法を2種類の合成ネットワーク上で評価し,実世界のインサイダー取引ネットワークに拡張する。
• 参考スコア（独自算出の注目度）: 64.51931908932421
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The spreading dynamics in social networks are often studied under the assumption that individuals' statuses, whether informed or infected, are fully observable. However, in many real-world situations, such statuses remain unobservable, which is crucial for determining an individual's potential to further spread the infection. While this final status is hidden, intermediate indicators such as symptoms of infection are observable and provide important insights into the spread process. We propose a partial observability-aware Machine Learning framework to learn the characteristics of the spreading model. We term the method Distribution Classification, which utilizes the power of classifiers to infer the underlying transmission dynamics. We evaluate our method on two types of synthetic networks and extend the study to a real-world insider trading network. Results show that the method performs well, especially on complex networks with high cyclic connectivity, supporting its utility in analyzing real-world spreading phenomena where direct observation of individual statuses is not possible.
• Abstract（参考訳）: ソーシャルネットワークにおける拡散ダイナミクスは、個人のステータスが、情報や感染の有無に関わらず、完全に観察可能であるという仮定の下で研究されることが多い。 しかし、現実の多くの状況では、このような状態は観測不可能であり、感染を拡大する個人の可能性を決定づける上で重要なものである。 この最終状態は隠されているが、感染の症状のような中間的な指標は観察可能であり、拡散過程に重要な洞察を与える。 拡散モデルの特徴を学習するための部分的可観測性を考慮した機械学習フレームワークを提案する。 本稿では,分類器のパワーを利用して基礎となる伝送力学を推定する分散分類法について述べる。 本手法を2種類の合成ネットワーク上で評価し,実世界のインサイダー取引ネットワークに拡張する。 提案手法は,特に高周期接続を有する複雑なネットワークにおいて,個々の状態の直接観測が不可能な実世界の拡散現象を解析する上で,有効であることを示す。

関連論文リスト

• Distinguishing mechanisms of social contagion from local network view [0.02499907423888048]
  複数の採用ルールは、同じ社会的感染プロセスでも共存することがある。 我々のゴールは、既存の採用メカニズムが顕微鏡的視点から区別できるかどうかを理解することである。 本研究は、自我中心レベルでの伝播過程の観察について、新しい視点を提供する。
  論文  参考訳（メタデータ） (2024-06-26T17:49:24Z)
• Universal Scaling Laws of Absorbing Phase Transitions in Artificial Deep Neural Networks [0.8932296777085644]
  信号伝播ダイナミクスの位相境界付近で動作する従来の人工深層ニューラルネットワークは、カオスのエッジとしても知られ、位相遷移を吸収する普遍的なスケーリング法則を示す。 我々は、伝搬力学の完全な決定論的性質を利用して、ニューラルネットワークの信号崩壊と吸収状態の類似を解明する。
  論文  参考訳（メタデータ） (2023-07-05T13:39:02Z)
• ShapeWordNet: An Interpretable Shapelet Neural Network for Physiological Signal Classification [16.82411861562806]
  生理的信号分類タスクに適した,より効果的で解釈可能なスキームを提案する。 時系列シェープレットを利用して、顕著な局所パターンを抽出し、解釈可能なシーケンスの離散化を行う。 本研究では,本手法をShapeWordNetと命名し,実世界の3つのデータセットに対する広範な実験を行い,その有効性について検討する。
  論文  参考訳（メタデータ） (2023-02-10T02:30:31Z)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Joint Inference of Diffusion and Structure in Partially Observed Social Networks Using Coupled Matrix Factorization [3.399624105745357]
  本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。 提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。 これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
  論文  参考訳（メタデータ） (2020-10-03T17:48:57Z)

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。