論文の概要: Behavior and Sublinear Algorithm for Opinion Disagreement on Noisy Social Networks

• arxiv url: http://arxiv.org/abs/2604.01890v1
• Date: Thu, 02 Apr 2026 10:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.692994
• Title: Behavior and Sublinear Algorithm for Opinion Disagreement on Noisy Social Networks
• Title（参考訳）: 騒々しいソーシャルネットワーク上でのオピニオン解消のための行動とサブリニアアルゴリズム
• Authors: Wanyue Xu, Yubo Sun, Mingzhe Zhu, Zuobai Zhang, Zhongzhi Zhang,
• Abstract要約: ソーシャルネットワークを含むほとんどの実生活ネットワークは、スケールフリーでスパースである。 本研究では, 疎スケール自由なソーシャルネットワークにおける雑音的意見の動態について検討し, パワーロートポロジが意見の不一致に与える影響を明らかにする。
• 参考スコア（独自算出の注目度）: 27.02356218924079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The phenomenon of opinion disagreement has been empirically observed and reported in the literature, which is affected by various factors, such as the structure of social networks. An important discovery in network science is that most real-life networks, including social networks, are scale-free and sparse. In this paper, we study noisy opinion dynamics in sparse scale-free social networks to uncover the influence of power-law topology on opinion disagreement. We adopt the popular discrete-time DeGroot model for opinion dynamics in a graph, where nodes' opinions are subject to white noise. We first study opinion disagreement in many realistic and model networks with a scale-free topology, which approaches a constant, indicating that a scale-free structure is resistant to noise in the opinion dynamics. Moreover, existing algorithms for estimating opinion disagreement are computationally impractical for large-scale networks due to their high computational complexity. To solve this challenge, we introduce a sublinear-time algorithm to approximate this quantity with a theoretically guaranteed error. This algorithm efficiently simulates truncated random walks starting from a subset of nodes while preserving accurate estimation. Extensive experiments demonstrate its efficiency, accuracy, and scalability.
• Abstract（参考訳）: 世論不一致の現象は、社会ネットワークの構造など様々な要因の影響を受け、実証的に観察され、文献に報告されている。 ネットワーク科学における重要な発見は、ソーシャルネットワークを含むほとんどの実生活ネットワークは、スケールフリーでスパースであることである。 本稿では, 疎スケール自由なソーシャルネットワークにおける雑音的意見のダイナミクスを考察し, パワーロートポロジが意見の不一致に与える影響を明らかにする。 我々は、ノードの意見がホワイトノイズを受けるグラフの意見力学に対して、人気のある離散時間DeGrootモデルを採用する。 まず, スケールフリーなトポロジを持つ多くの現実的, モデル的ネットワークにおける意見の不一致について考察し, 評価力学において, スケールフリーな構造がノイズに耐性があることを示唆した。 さらに、意見の不一致を推定する既存のアルゴリズムは、その計算複雑性が高いため、大規模ネットワークでは計算が不可能である。 この問題を解決するために,この量と理論的に保証された誤差を近似するサブ線形時間アルゴリズムを導入する。 このアルゴリズムは、正確な推定を保ちながら、ノードのサブセットから始まる乱数ウォークを効率的にシミュレートする。 大規模な実験は、その効率、正確性、拡張性を示している。

関連論文リスト

• Heuristic algorithms for the stochastic critical node detection problem [0.0]
  ネットワークが与えられた場合、クリティカルノード検出問題は、ネットワーク接続を妨害するノードのサブセットを見つける。 本稿では,特定の確率によってエッジの存在が与えられる臨界ノード検出問題のバージョンについて考察する。 本稿では,問題に対する学習に基づく手法を提案し,既存のアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2025-12-01T10:18:24Z)
• Efficient Estimation for Longitudinal Networks via Adaptive Merging [21.62069959992736]
  本稿では, 適応型ネットワークマージ, テンソル分解, 点過程の強みを利用した長手ネットワークの効率的な推定手法を提案する。 近隣のスパースネットワークをマージし、観測されたエッジの数を拡大し、推定分散を低減する。 提案手法は,各イテレーションにおける推定誤差の上限を設定することにより,推定を容易にする。
  論文  参考訳（メタデータ） (2022-11-15T03:17:11Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• An Unbiased Symmetric Matrix Estimator for Topology Inference under Partial Observability [16.60607849384252]
  本稿では,部分観測可能性の枠組みに基づくネットワークトポロジ推論の問題について考察する。 本稿では、ガウス雑音とラプラシアン結合則を持つ対称ネットワークトポロジーのための新しい非バイアス推定器を提案する。 ネットワーク構造を推定するために、ネットワーク推論ガウスアルゴリズムと呼ばれる効果的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-29T12:49:25Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• A scalable multi-step least squares method for network identification with unknown disturbance topology [0.0]
  本稿では,既知のネットワークトポロジを持つ動的ネットワークの同定手法を提案する。 階調雑音の低減に多段階連続・ヌル空間フィッティング法を用いる。 明示的なBoxモデル構造情報性を含む一貫性証明を提供する。
  論文  参考訳（メタデータ） (2021-06-14T16:12:49Z)
• Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
  本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。 我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。 本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T00:58:54Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)
• Binary Neural Networks: A Survey [126.67799882857656]
  バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。 バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。 本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
  論文  参考訳（メタデータ） (2020-03-31T16:47:20Z)

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。