論文の概要: A Pressure-Based Diffusion Model for Influence Maximization on Social Networks

• arxiv url: http://arxiv.org/abs/2509.12822v1
• Date: Tue, 16 Sep 2025 08:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.973941
• Title: A Pressure-Based Diffusion Model for Influence Maximization on Social Networks
• Title（参考訳）: 社会的ネットワークへの影響最大化のための圧力ベース拡散モデル
• Authors: Curt Stutsman, Eliot W. Robson, Abhishek K. Umrawal,
• Abstract要約: 本稿では,社会的ネットワークを通じた影響力の拡散を動的にシミュレートする新しい拡散モデルとして,圧力閾値モデル(PT)を提案する。 実世界のネットワーク上での実験は、オープンソースのネットワーク拡散PythonライブラリCyNetDiffの強化によって促進され、LTモデルと比較してPTモデルのユニークなシードノード選択が実証された。
• 参考スコア（独自算出の注目度）: 1.0323063834827415
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In many real-world scenarios, an individual's local social network carries significant influence over the opinions they form and subsequently propagate to others. In this paper, we propose a novel diffusion model -- the Pressure Threshold model (PT) -- for dynamically simulating the spread of influence through a social network. This new model extends the popular Linear Threshold Model (LT) by adjusting a node's outgoing influence proportional to the influence it receives from its activated neighbors. We address the Influence Maximization (IM) problem, which involves selecting the most effective seed nodes to achieve maximal graph coverage after a diffusion process, and how the problem manifests with the PT Model. Experiments conducted on real-world networks, facilitated by enhancements to the open-source network-diffusion Python library, CyNetDiff, demonstrate unique seed node selection for the PT Model when compared to the LT Model. Moreover, analyses demonstrate that densely connected networks amplify pressure effects more significantly than sparse networks.
• Abstract（参考訳）: 多くの実世界のシナリオにおいて、個人のローカルなソーシャルネットワークは、自分たちが形成する意見に大きな影響を与え、その後他人に伝播する。 本稿では,社会的ネットワークを介した影響力の拡散を動的にシミュレーションするための,新しい拡散モデルである圧力閾値モデル(PT)を提案する。 この新モデルは、活性化された隣人から受ける影響に比例してノードの外部の影響を調整することで、人気のある線形閾値モデル(LT)を拡張する。 拡散処理後の最大グラフカバレッジを達成するために最も有効なシードノードを選択することを含むインフルエンス・最大化(IM)問題と、PTモデルで問題がどのように現れるかに対処する。 実世界のネットワーク上での実験は、オープンソースのネットワーク拡散PythonライブラリCyNetDiffの強化によって促進され、LTモデルと比較してPTモデルのユニークなシードノード選択が実証された。 さらに、密結合ネットワークはスパースネットワークよりも圧力効果を著しく増幅することを示した。

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)
• 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)
• 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)
• DSCom: A Data-Driven Self-Adaptive Community-Based Framework for Influence Maximization in Social Networks [3.97535858363999]
  我々は、属性ネットワーク上の問題を再構成し、ノード属性を利用して接続ノード間の近接性を推定する。 具体的には、この問題に対処するため、DSComという機械学習ベースのフレームワークを提案する。 従来の理論的研究と比較して,実世界のソーシャルネットワークに基づくパラメータ化拡散モデルを用いた実験実験を慎重に設計した。
  論文  参考訳（メタデータ） (2023-11-18T14:03:43Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Provably Efficient Reinforcement Learning for Online Adaptive Influence Maximization [53.11458949694947]
  本稿では,リアルタイムフィードバックに基づいてシードノードを逐次活性化する,コンテンツ依存型オンライン影響問題の適応バージョンについて検討する。 提案アルゴリズムは,最適政策を楽観的に改善しつつ,ネットワークモデルの推定を保守し,適応的にシードを選択する。
  論文  参考訳（メタデータ） (2022-06-29T18:17:28Z)
• 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)
• 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)
• 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)

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。