論文の概要: Beyond Leakage and Complexity: Towards Realistic and Efficient Information Cascade Prediction

• arxiv url: http://arxiv.org/abs/2510.25348v1
• Date: Wed, 29 Oct 2025 10:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.392772
• Title: Beyond Leakage and Complexity: Towards Realistic and Efficient Information Cascade Prediction
• Title（参考訳）: 漏洩と複雑さを超えて:現実的で効率的な情報カスケード予測を目指して
• Authors: Jie Peng, Rui Wang, Qiang Wang, Zhewei Wei, Bin Tong, Guan Wang,
• Abstract要約: 情報カスケードの人気予測は、ソーシャルネットワークにおけるコンテンツ拡散を分析する上で重要な問題である。 時系列的にデータを連続するウィンドウに分割する時間順序分割戦略を提案する。 第2に,豊富なプロモーター/製品属性を備えた大規模EコマースカスケードデータセットであるTaokeを紹介する。 第3に,時間的歩行を通してカスケード力学を効率的にモデル化する軽量フレームワークCasTempを開発した。
• 参考スコア（独自算出の注目度）: 37.50536404287287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information cascade popularity prediction is a key problem in analyzing content diffusion in social networks. However, current related works suffer from three critical limitations: (1) temporal leakage in current evaluation--random cascade-based splits allow models to access future information, yielding unrealistic results; (2) feature-poor datasets that lack downstream conversion signals (e.g., likes, comments, or purchases), which limits more practical applications; (3) computational inefficiency of complex graph-based methods that require days of training for marginal gains. We systematically address these challenges from three perspectives: task setup, dataset construction, and model design. First, we propose a time-ordered splitting strategy that chronologically partitions data into consecutive windows, ensuring models are evaluated on genuine forecasting tasks without future information leakage. Second, we introduce Taoke, a large-scale e-commerce cascade dataset featuring rich promoter/product attributes and ground-truth purchase conversions--capturing the complete diffusion lifecycle from promotion to monetization. Third, we develop CasTemp, a lightweight framework that efficiently models cascade dynamics through temporal walks, Jaccard-based neighbor selection for inter-cascade dependencies, and GRU-based encoding with time-aware attention. Under leak-free evaluation, CasTemp achieves state-of-the-art performance across four datasets with orders-of-magnitude speedup. Notably, it excels at predicting second-stage popularity conversions--a practical task critical for real-world applications.
• Abstract（参考訳）: 情報カスケードの人気予測は、ソーシャルネットワークにおけるコンテンツ拡散を分析する上で重要な問題である。 しかし、現在の評価における時間的リーク-ランダムなカスケードベースの分割は、モデルが将来の情報にアクセスでき、非現実的な結果が得られること、(2)下流の変換信号(例えば、いいね、コメント、購入など)が欠如していること、(3)限界利得の日々の訓練を必要とする複雑なグラフベースの手法の計算非効率、の3つの限界に悩まされている。 タスク設定、データセットの構築、モデル設計という3つの視点から、これらの課題を体系的に解決する。 まず、時系列的にデータを連続するウィンドウに分割し、将来の情報漏洩を伴わずに実際の予測タスクでモデルを確実に評価する時間順序分割戦略を提案する。 第2に,富裕なプロモーター/商品属性と地味な購入変換を備えた大規模EコマースカスケードデータセットであるTaokeを紹介し,プロモーションから収益化までの完全な拡散ライフサイクルを捉えた。 第3に、時間的歩行によるカスケードダイナミクスを効率的にモデル化する軽量フレームワークCasTemp、カスケード間の依存関係に対するジャカードベースの隣人選択、時間的注意を伴うGRUベースの符号化を開発する。 リークフリー評価では、CasTempは4つのデータセットにまたがって最先端のパフォーマンスを達成し、オーダー・オブ・マグニチュード・スピードアップを行う。 特に、第2段階の人気変換の予測に長けており、現実のアプリケーションにとって重要な実践的なタスクである。

関連論文リスト

• A Retrieval Augmented Spatio-Temporal Framework for Traffic Prediction [33.28893562327803]
  RASTは、大規模データセットの効率を維持しながら、優れたパフォーマンスを実現する。 フレームワークは3つの主要な設計で構成されている: 1) 分離された時間的特徴をキャプチャし、Retrieval-Augmented Generation (RAG), 2) 事前訓練されたST-GNNまたは単純な予測子に対応するUniversal Backbone Predict Storeor, 3) 事前訓練されたST-GNNまたは単純な予測子をサポートするUniversal Backbone Predict Storeor。
  論文  参考訳（メタデータ） (2025-08-14T10:11:39Z)
• Mitigating Trade-off: Stream and Query-guided Aggregation for Efficient and Effective 3D Occupancy Prediction [12.064509280163502]
  3Dの占有率予測は、自動運転の重要な認識課題として浮上している。 近年の研究では、過去の観測から得られた情報の統合に焦点が当てられ、予測精度が向上している。 本稿では,過去の情報をストリームベースで集約するフレームワークStreamOccを提案する。 Occ3D-nusデータセットの実験によると、StreamOccはリアルタイム設定で最先端のパフォーマンスを実現し、メモリ使用量を従来の方法に比べて50%以上削減している。
  論文  参考訳（メタデータ） (2025-03-28T02:05:53Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• On Your Mark, Get Set, Predict! Modeling Continuous-Time Dynamics of Cascades for Information Popularity Prediction [5.464598715181046]
  情報の普及を正確に予測する鍵は、基礎となる時間情報拡散過程を微妙にモデル化することにある。 本稿では,情報人気予測のために,カスケードの連続時間ダイナミクスをモデル化したConCatを提案する。 実世界の3つのデータセット上でConCatを評価するための広範な実験を行った。
  論文  参考訳（メタデータ） (2024-09-25T05:08:44Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference [23.8192952068949]
  S-temporal data(CSST)のための新しいコントラスト型自己学習フレームワークを提案する。 提案手法は,POI(Points of Interest)とその距離に基づく空間隣接グラフの構築から始める。 我々は、類似した事例から対象部分グラフの表現を予測するために、スワップした予測手法を採用する。 実世界の2つのデータセットで実施した実験では、広範囲のノイズデータに基づいて事前トレーニングされたCSSTが、ゼロからトレーニングされたモデルより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2023-09-06T02:51:24Z)
• Incorporating Reachability Knowledge into a Multi-Spatial Graph Convolution Based Seq2Seq Model for Traffic Forecasting [12.626657411944949]
  既存の作業は、長い将来の時間を含む多段階のトラフィック予測ではうまく機能しない。 我々のモデルは、2つの実世界のトラフィックデータセットで評価され、他の競合他社よりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-07-04T03:23:30Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。