論文の概要: Enhancing Discrete Particle Swarm Optimization for Hypergraph-Modeled Influence Maximization

• arxiv url: http://arxiv.org/abs/2604.15746v1
• Date: Fri, 17 Apr 2026 06:42:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.770438
• Title: Enhancing Discrete Particle Swarm Optimization for Hypergraph-Modeled Influence Maximization
• Title（参考訳）: ハイパーグラフモデルによる影響最大化のための離散粒子群最適化の強化
• Authors: Qianshi Wang, Xilong Qu, Wenbin Pei, Nan Li, Qiang Zhang,
• Abstract要約: インフルエンス(IM)は、複雑なネットワーク分析における基本的な問題であり、様々な現実世界の応用がある。 本稿では,離散粒子群最適化アルゴリズムとしきい値モデルに基づく新しいハイパーグラフモデルIM法を提案する。 提案手法では, 粒子はシードノードの選択情報を表現し, 適合度関数は2層局所的影響近似を用いて, シードノードの影響を正確に, 効率的に評価するように設計されている。
• 参考スコア（独自算出の注目度）: 9.949881986716553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Influence maximization (IM) is a fundamental problem in complex network analysis, with a wide range of real-world applications. To date, existing approaches to influential node identification in IM have predominantly relied on standard graphs, failing to capture higher-order intrinsic interactions embedded in many real-world systems. Hypergraphs can be employed to better capture higher-order interactions. However, using hypergraphs may lead to an excessively large search space and increased complexity in modeling cascading dynamics, making it challenging to accurately identify influential nodes. Therefore, in this study, we propose a new hypergraph-modeled IM method, based on the Discrete Particle Swarm Optimization algorithm and the threshold model. In the proposed method, a particle (i.e., a candidate solution) represents the selection information of seed nodes, and the fitness function is designed to accurately and efficiently evaluate the influence of seed nodes via a two-layer local influence approximation. We also propose a degree-based initialization strategy to improve the quality of initial solutions and develop rules for updating particles' velocity and position, incorporated with a local search to drive particles toward better solutions. Experimental results demonstrate that the proposed method outperforms baseline methods on both synthetic and real-world hypergraphs. In addition, ablation studies validate the effectiveness of both the local search and the initialization strategies.
• Abstract（参考訳）: 影響の最大化(IM)は複雑なネットワーク分析の基本的な問題であり、様々な実世界の応用がある。 これまで、IMにおける影響のあるノード識別への既存のアプローチは、標準グラフに大きく依存しており、多くの実世界のシステムに埋め込まれた高次固有の相互作用を捉えられなかった。 ハイパーグラフは高次相互作用をよりよく捉えるために用いられる。 しかし、ハイパーグラフを使用すると、膨大な検索スペースが生まれ、カスケードダイナミクスをモデル化する際の複雑さが増大し、影響のあるノードを正確に識別することが困難になる可能性がある。 そこで本研究では,離散粒子群最適化アルゴリズムとしきい値モデルに基づく新しいハイパーグラフモデルIM法を提案する。 提案手法では、粒子(すなわち、候補解)がシードノードの選択情報を表し、その適合関数は、2層局所的な影響近似を用いて、シードノードの影響を正確かつ効率的に評価するように設計されている。 また,初期解の質を向上させるための等級に基づく初期化戦略を提案し,粒子の速度と位置を更新するための規則を開発し,より優れた解に向けて粒子を駆動する局所探索を組み込んだ。 実験の結果,提案手法は,合成ハイパーグラフと実世界のハイパーグラフの両方において,ベースライン法よりも優れていた。 さらに、アブレーション研究は、局所探索と初期化戦略の両方の有効性を検証した。

関連論文リスト

• Characterizing and Optimizing the Spatial Kernel of Multi Resolution Hash Encodings [2.497913938263034]
  MHE(Multi-Resolution Hash Function)は、ニューラルネットワークに対して強力なパラメータ化を提供する。 本研究は,そのポイントスプレッド(PSF)を調べることで,MHEを特徴付ける新しい分析手法を提案する。 我々は、衝突がスペックルノイズを導入し、SNR(Signal-to-Noise Ratio)を劣化させる様子を実証する。
  論文  参考訳（メタデータ） (2026-02-11T03:55:42Z)
• PACMANN: Point Adaptive Collocation Method for Artificial Neural Networks [41.99844472131922]
  PINNは、一組のコロケーションポイントに対して決定されたPDE残差を含む損失関数を最小化する。 PACMANNは勾配に基づく最適化アルゴリズムを用いて、コロケーションポイントを高次残差領域へ段階的に移動させる。 この方法の主な特徴は、計算コストの低減と、既存の物理インフォームドニューラルネットワークパイプラインとの統合の簡易化である。
  論文  参考訳（メタデータ） (2024-11-29T11:31:11Z)
• Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
  ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。 従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。 本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
  論文  参考訳（メタデータ） (2024-11-19T09:16:25Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Influence Maximization in Hypergraphs Using A Genetic Algorithm with New Initialization and Evaluation Methods [6.315027378756443]
  インフルエンス(IM)は,実世界の複雑なネットワークを解析する上で重要な最適化課題である。 本稿では,ノード障害とハイパーエッジ障害の両方の影響を統合する新しいモデルを提案する。 次に、ハイパーグラフの集団的影響を利用する最も影響力のあるノードを特定するために遺伝的アルゴリズム(GA)を導入する。
  論文  参考訳（メタデータ） (2024-05-15T08:46:33Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• RL-PGO: Reinforcement Learning-based Planar Pose-Graph Optimization [1.4884785898657995]
  本稿では,最新のDeep Reinforcement Learning (DRL) ベースの環境と2次元ポーズグラフ最適化のためのエージェントを提案する。 本研究では、ポーズグラフ最適化問題を部分的に観測可能な決定プロセスとしてモデル化し、実世界および合成データセットの性能を評価することを実証する。
  論文  参考訳（メタデータ） (2022-02-26T20:10:14Z)
• Hypergraph Optimization for Multi-structural Geometric Model Fitting [42.217640009137554]
  単純かつ効果的なハイパーグラフを構築するために,新しいハイパーグラフ最適化モデルフィッティング法(HOMF)を提案する。 提案手法は効率が高く,数回の反復で精度の高いモデルフィッティング結果が得られる。
  論文  参考訳（メタデータ） (2020-02-13T05:07:11Z)

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。