論文の概要: Inferring Diffusion Structures of Heterogeneous Network Cascade

• arxiv url: http://arxiv.org/abs/2506.19142v1
• Date: Mon, 23 Jun 2025 21:26:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.398056
• Title: Inferring Diffusion Structures of Heterogeneous Network Cascade
• Title（参考訳）: 不均一ネットワークカスケードの拡散構造の推定
• Authors: Yubai Yuan, Siyu Huang, Abdul Basit Adeel,
• Abstract要約: カスケードデータから多層拡散ネットワークを推定する新しいモデルを提案する。 提案モデルはカスケード経路を異なる層にまたがる拡散ネットワークの混合として表現する。 本研究では,多様な拡散構造を復元する際のモデルの性能を示すため,広範囲なシミュレーション研究を行う。
• 参考スコア（独自算出の注目度）: 10.129643823066159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network cascade refers to diffusion processes in which outcome changes within part of an interconnected population trigger a sequence of changes across the entire network. These cascades are governed by underlying diffusion networks, which are often latent. Inferring such networks is critical for understanding cascade pathways, uncovering Granger causality of interaction mechanisms among individuals, and enabling tasks such as forecasting or maximizing information propagation. In this project, we propose a novel double mixture directed graph model for inferring multi-layer diffusion networks from cascade data. The proposed model represents cascade pathways as a mixture of diffusion networks across different layers, effectively capturing the strong heterogeneity present in real-world cascades. Additionally, the model imposes layer-specific structural constraints, enabling diffusion networks at different layers to capture complementary cascading patterns at the population level. A key advantage of our model is its convex formulation, which allows us to establish both statistical and computational guarantees for the resulting diffusion network estimates. We conduct extensive simulation studies to demonstrate the model's performance in recovering diverse diffusion structures. Finally, we apply the proposed method to analyze cascades of research topics in the social sciences across U.S. universities, revealing the underlying diffusion networks of research topic propagation among institutions.
• Abstract（参考訳）: ネットワークカスケード(Network cascade)とは、相互接続された集団の一部で結果が変化し、ネットワーク全体に一連の変化が引き起こされる拡散過程を指す。 これらのカスケードは、しばしば潜伏する拡散ネットワークによって支配される。 このようなネットワークを推定することは、カスケード経路を理解し、個人間の相互作用機構のグランガー因果関係を明らかにし、情報伝達の予測や最大化といったタスクを可能にするために重要である。 本稿では,カスケードデータから多層拡散ネットワークを推定するための新しい二重混合グラフモデルを提案する。 提案モデルでは,カスケード経路を異なる層にまたがる拡散ネットワークの混合として表現し,実世界のカスケードに存在する強い不均一性を効果的に捉える。 さらに、このモデルは層固有の構造的制約を課し、異なる層での拡散ネットワークが人口レベルで補完的なカスケードパターンをキャプチャすることを可能にする。 このモデルの主な利点は凸の定式化であり、結果として生じる拡散ネットワーク推定の統計的保証と計算的保証の両方を確立することができる。 本研究では,多様な拡散構造を復元する際のモデルの性能を示すため,広範囲なシミュレーション研究を行う。 最後に,米国全大学における研究トピックのカスケード分析に提案手法を適用し,研究トピックの伝播の基盤となるネットワークを明らかにする。

関連論文リスト

• Identifying Super Spreaders in Multilayer Networks [0.6990493129893112]
  本稿では,グラフニューラルネットワークを利用して,そのようなネットワーク内のスーパースプレッダを識別する手法を提案する。 この目的のために、数百のネットワークにまたがる情報拡散をシミュレートしてデータセットを構築する。 我々のモデルであるTopSpreadersNetworkは、関係に依存しないエンコーダとカスタムアグリゲーション層で構成されています。
  論文  参考訳（メタデータ） (2025-05-27T10:14:14Z)
• Bridging Geometric Diffusion and Energy Minimization: A Unified Framework for Neural Message Passing [79.9193447649011]
  本稿では,MPNNの理解のための原理的数学的枠組みとして,エネルギー制約付き拡散モデルを提案する。 我々は、拡散誘導型トランスフォーマーと呼ばれる新しいタイプのニューラルメッセージパッシングモデルを考案し、そのグローバルアテンション層は、原理化されたエネルギー制約型拡散フレームワークから導かれる。 多様なデータセットにわたって、新しいモデルは、データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりするシナリオにおいて、有望なパフォーマンスを達成することを実証する。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• Neural Network Diffusion [45.851945143942885]
  拡散モデルはランダムノイズから潜在表現を合成するために訓練される。 このモデルは次に新しい表現を生成し、オートエンコーダのデコーダを通過してハイパフォーマンスなネットワークパラメータの新しいサブセットを生成する。
  論文  参考訳（メタデータ） (2024-02-20T16:59:03Z)
• Diffusion Mechanism in Residual Neural Network: Theory and Applications [12.573746641284849]
  限られたトレーニングサンプルを持つ多くの学習タスクでは、拡散はラベル付きおよびラベルなしのデータポイントを接続する。 本稿では,ニューラルネットワークのアーキテクチャへの拡散を内部的に導入する新しい拡散残差ネットワーク(Diff-ResNet)を提案する。 構造的データ仮定により,提案した拡散ブロックは,クラス間点の分離性を向上させる距離-距離比を増大させることができることが証明された。
  論文  参考訳（メタデータ） (2021-05-07T10:42:59Z)
• 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)
• Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
  本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。 本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。 実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
  論文  参考訳（メタデータ） (2020-01-18T13:32:18Z)

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。