論文の概要: Physics-Informed Neural Network with Adaptive Clustering Learning Mechanism for Information Popularity Prediction

• arxiv url: http://arxiv.org/abs/2603.19599v1
• Date: Fri, 20 Mar 2026 03:16:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.963192
• Title: Physics-Informed Neural Network with Adaptive Clustering Learning Mechanism for Information Popularity Prediction
• Title（参考訳）: 情報人気予測のための適応的クラスタリング学習機構を持つ物理インフォームニューラルネットワーク
• Authors: Guangyin Jin, Xiaohan Ni, Yanjie Song, Kun Wei, Jie Zhao, Leiming Jia, Witold Pedrycz,
• Abstract要約: 本稿では,適応的なクラスタリング学習機構であるPIACNを用いて,情報カスケードの人気を予測する物理インフォームニューラルネットワークを提案する。 提案モデルでは,物理インフォームド手法による情報伝達のマクロパターンを初めてモデル化する。 本モデルは,情報の普及予測において,他の最先端手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 54.483041939268766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With society entering the Internet era, the volume and speed of data and information have been increasing. Predicting the popularity of information cascades can help with high-value information delivery and public opinion monitoring on the internet platforms. The current state-of-the-art models for predicting information popularity utilize deep learning methods such as graph convolution networks (GCNs) and recurrent neural networks (RNNs) to capture early cascades and temporal features to predict their popularity increments. However, these previous methods mainly focus on the micro features of information cascades, neglecting their general macroscopic patterns. Furthermore, they also lack consideration of the impact of information heterogeneity on spread popularity. To overcome these limitations, we propose a physics-informed neural network with adaptive clustering learning mechanism, PIACN, for predicting the popularity of information cascades. Our proposed model not only models the macroscopic patterns of information dissemination through physics-informed approach for the first time but also considers the influence of information heterogeneity through an adaptive clustering learning mechanism. Extensive experimental results on three real-world datasets demonstrate that our model significantly outperforms other state-of-the-art methods in predicting information popularity.
• Abstract（参考訳）: インターネット時代に入ると、データや情報の量や速さが増している。 情報カスケードの人気を予測することは、インターネットプラットフォーム上での高価値な情報配信と世論監視に役立つ。 情報人気を予測する現在の最先端モデルは、グラフ畳み込みネットワーク(GCN)やリカレントニューラルネットワーク(RNN)などのディープラーニング手法を使用して、初期カスケードと時間的特徴をキャプチャして、その人気増加を予測する。 しかし,これらの手法は主に情報カスケードの微細な特徴に着目し,一般的なマクロパターンを無視した。 さらに,情報の多様性が普及に与える影響も考慮されていない。 これらの制約を克服するために,適応的なクラスタリング学習機構であるPIACNを用いた物理インフォームドニューラルネットワークを提案し,情報カスケードの人気を予測した。 提案モデルは,物理インフォームドアプローチによる情報伝達のマクロパターンを初めてモデル化するだけでなく,適応クラスタリング学習機構による情報不均一性の影響も検討した。 実世界の3つのデータセットに対する大規模な実験結果から,我々のモデルは情報の普及予測において,他の最先端手法よりも大幅に優れていることが示された。

関連論文リスト

• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• AoI-based Temporal Attention Graph Neural Network for Popularity Prediction and Content Caching [9.16219929722585]
  情報中心ネットワーク(ICN)は、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持することを目的としている。 本稿では,2部グラフに埋め込まれた構造パターンと時間パターンを協調的に学習するために,有効な動的グラフニューラルネットワーク(DGNN)を利用する。 また,情報時代(AoI)に基づくアテンション機構を提案し,貴重な歴史的情報を抽出する。
  論文  参考訳（メタデータ） (2022-08-18T02:57:17Z)
• 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)
• A Critical Review of Information Bottleneck Theory and its Applications to Deep Learning [0.0]
  ディープニューラルネットワークは、今日の社会のあらゆる側面に影響を与え続ける比類のない改善を見てきました。 情報ボトルネック理論は、ニューラルネットワークの学習ダイナミクスをよりよく理解するための有望なアプローチとして登場した。 本研究の目的は、情報理論のルーツと最近提案された深層学習モデル理解への応用をカバーするib理論の包括的レビューを提供することである。
  論文  参考訳（メタデータ） (2021-05-07T14:16:38Z)
• Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations [13.680949377743392]
  本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。 本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。 学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
  論文  参考訳（メタデータ） (2020-07-13T17:58:21Z)

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。