論文の概要: A Community-Aware Framework for Influence Maximization with Explicit Accounting for Inter-Community Influence

• arxiv url: http://arxiv.org/abs/2512.23973v1
• Date: Tue, 30 Dec 2025 04:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.273084
• Title: A Community-Aware Framework for Influence Maximization with Explicit Accounting for Inter-Community Influence
• Title（参考訳）: コミュニティ間影響を考慮した明示的会計による影響最大化のためのコミュニティ・アウェア・フレームワーク
• Authors: Eliot W. Robson, Abhishek K. Umrawal,
• Abstract要約: 影響最大化(IM)は、期待される情報に対して、ソーシャルネットワーク内の小さなシードノードのセットを特定しようとする。 コミュニティベースの拡散に基づくソーシャルネットワークを優先するフレームワークであるCommunity-IM++を紹介する。
• 参考スコア（独自算出の注目度）: 1.160208922584163
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Influence Maximization (IM) seeks to identify a small set of seed nodes in a social network to maximize expected information spread under a diffusion model. While community-based approaches improve scalability by exploiting modular structure, they typically assume independence between communities, overlooking inter-community influence$\unicode{x2014}$a limitation that reduces effectiveness in real-world networks. We introduce Community-IM++, a scalable framework that explicitly models cross-community diffusion through a principled heuristic based on community-based diffusion degree (CDD) and a progressive budgeting strategy. The algorithm partitions the network, computes CDD to prioritize bridging nodes, and allocates seeds adaptively across communities using lazy evaluation to minimize redundant computations. Experiments on large real-world social networks under different edge weight models show that Community-IM++ achieves near-greedy influence spread at up to 100 times lower runtime, while outperforming Community-IM and degree heuristics across budgets and structural conditions. These results demonstrate the practicality of Community-IM++ for large-scale applications such as viral marketing, misinformation control, and public health campaigns, where efficiency and cross-community reach are critical.
• Abstract（参考訳）: 影響最大化(IM)は、拡散モデルの下で広がる期待情報を最大化するために、ソーシャルネットワーク内の小さなシードノードのセットを特定しようとする。 コミュニティベースのアプローチはモジュール構造を活用することでスケーラビリティを向上させるが、コミュニティ間の独立性を前提としており、実世界のネットワークにおける有効性を低下させるようなコミュニティ間影響($\unicode{x2014}$a制限)を見渡すのが一般的である。 コミュニティベース拡散度(CDD)と進歩的予算戦略に基づく原則的ヒューリスティックを通じて、コミュニティ間の拡散を明示的にモデル化するスケーラブルなフレームワークであるCommunity-IM++を紹介する。 アルゴリズムはネットワークを分割し、CDDを計算してブリッジノードを優先順位付けし、遅延評価を用いてコミュニティ間で適応的に種を割り当て、冗長な計算を最小限に抑える。 異なるエッジウェイトモデル下での大規模な実世界のソーシャルネットワークの実験では、Community-IM++はランタイムの最大100倍の差で、Community-IMや学位ヒューリスティックを予算や構造条件で上回っている。 これらの結果から, コミュニティ・IM++は, 効率性やコミュニティ間到達度が重要となる, バイラルマーケティング, 誤情報制御, 公衆衛生キャンペーンなどの大規模アプリケーションに対して, 実用性を示すものである。

関連論文リスト

• Advancing Community Detection with Graph Convolutional Neural Networks: Bridging Topological and Attributive Cohesion [5.009105844450518]
  そこで我々は,Topological and Attributive similarity-based Community Detection (TAS-Com)法を提案する。 TAS-Comは、高度に効率的でスケーラブルなライデン属性アルゴリズムを利用して、グローバルな最適モジュラリティを持つコミュニティ構造を検出する。 我々は,TAS-Comがいくつかの最先端アルゴリズムを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2025-05-15T11:53:33Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• 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)
• Fair Information Spread on Social Networks with Community Structure [2.9613974659787132]
  インフルエンス・マキシミザ・オン(IM)アルゴリズムは、情報が提供された場合、ソーシャルネットワークを通じて最も大きなスプレッドを発生させる個人を特定することを目的としている。 この作業は、最適公正情報拡散のためのシードアロケーション戦略を決定するために使用されるソーシャルネットワークにモデルを適用することに依存する。
  論文  参考訳（メタデータ） (2023-05-15T16:51:18Z)
• A Spreader Ranking Algorithm for Extremely Low-budget Influence Maximization in Social Networks using Community Bridge Nodes [12.691905338833372]
  影響最大化(IM)の目的は、特定の情報の拡散を最大化するためのネットワーク内の特定のノードを特定することである。 そこで我々は,K-Shellアルゴリズムを用いて,シードノードとコミュニティ間の接続のスコアを生成するコミュニティ構造に基づくアプローチを提案する。 Independent Cascade(IC)モデルを選択し、情報拡散をシミュレートし、4つの評価指標で評価する。
  論文  参考訳（メタデータ） (2022-11-17T16:53:47Z)
• A Community-Aware Framework for Social Influence Maximization [40.842329580198324]
  我々は、影響の最大化(IM)の問題を考える:「もし、ソーシャルネットワーク内の一部の個人を説得して、新しい製品やイノベーションを採用することができれば、その目標は、どの個人がターゲットにすべきかという大きなカスケードを誘発することである」。 本研究では,地域社会に固有のコミュニティ構造を学習すること (i) それぞれのコミュニティに影響を及ぼす問題を解くことによって,候補ソリューションを生成すること (ii) 新規なプログレッシブ予算方式を用いて,候補ソリューションから個人の最終セットを選択すること (iii) を提案する。
  論文  参考訳（メタデータ） (2022-07-18T20:43:17Z)
• Enhance Ambiguous Community Structure via Multi-strategy Community Related Link Prediction Method with Evolutionary Process [7.239725647907488]
  我々は新しいコミュニティ属性に基づくリンク予測戦略HAPを設計する。 本稿では,あいまいなコミュニティ構造を明らかにするためのリンクを追加することで,コミュニティの強化を図ることを目的とする。 提案手法は,提案手法が他のベースライン法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T06:24:16Z)
• Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
  インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。 本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。 最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
  論文  参考訳（メタデータ） (2021-06-13T16:42:22Z)
• Communication Efficient Distributed Learning with Censored, Quantized, and Generalized Group ADMM [52.12831959365598]
  本稿では,相互接続作業者のネットワーク上で定義されたコンセンサス最適化問題を解決するための,コミュニケーション効率のよい分散機械学習フレームワークを提案する。 提案アルゴリズムであるCensored and Quantized Generalized GADMMは、GADMM(Group Alternating Direction Method of Multipliers)の労働者グループ化と分散学習のアイデアを活用する。 CQ-GGADMMは通信ラウンド数で高い通信効率を示し、精度と収束速度を損なうことなくエネルギー消費を伝達する。
  論文  参考訳（メタデータ） (2020-09-14T14:18:19Z)

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。