論文の概要: Revealing graph bandits for maximizing local influence

• arxiv url: http://arxiv.org/abs/2605.00489v1
• Date: Fri, 01 May 2026 07:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.899751
• Title: Revealing graph bandits for maximizing local influence
• Title（参考訳）: 局所的影響の最大化のためのグラフ帯域幅の探索
• Authors: Alexandra Carpentier, Michal Valko,
• Abstract要約: 本研究では,学習者の目的がグラフの最も影響力のあるノードをできるだけ少ない情報で検出することであるグラフ帯域設定について検討する。 この設定の関連アプリケーションの1つは、ソーシャルネットワークにおけるマーケティングであり、マーケターは最も影響力のある顧客を見つけ、活用することを目指している。
• 参考スコア（独自算出の注目度）: 64.91400609178565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study a graph bandit setting where the objective of the learner is to detect the most influential node of a graph by requesting as little information from the graph as possible. One of the relevant applications for this setting is marketing in social networks, where the marketer aims at finding and taking advantage of the most influential customers. The existing approaches for bandit problems on graphs require either partial or complete knowledge of the graph. In this paper, we do not assume any knowledge of the graph, but we consider a setting where it can be gradually discovered in a sequential and active way. At each round, the learner chooses a node of the graph and the only information it receives is a stochastic set of the nodes that the chosen node is currently influencing. To address this setting, we propose BARE, a bandit strategy for which we prove a regret guarantee that scales with the detectable dimension, a problem dependent quantity that is often much smaller than the number of nodes.
• Abstract（参考訳）: 本研究では,学習者の目的がグラフの最も影響力のあるノードをできるだけ少ない情報で検出することであるグラフ帯域設定について検討する。 この設定の関連アプリケーションの1つは、ソーシャルネットワークにおけるマーケティングであり、マーケターは最も影響力のある顧客を見つけ、活用することを目指している。 グラフ上のバンドイット問題に対する既存のアプローチは、グラフの部分的知識または完全知識を必要とする。 本稿では,グラフの知識を前提としないが,逐次的かつ活発な方法で徐々に発見できる環境を考える。 各ラウンドにおいて、学習者はグラフのノードを選択し、それが受け取る唯一の情報は、選択したノードが現在影響しているノードの確率的な集合である。 そこで本稿では,検出可能な次元でスケールする後悔の保証を証明し,ノード数よりもはるかに少ない問題依存量であるBAREを提案する。

関連論文リスト

• Spectral bandits [39.534255812216784]
  グラフ上でアームの支払いがスムーズな帯域幅問題について検討する。 このフレームワークは、コンテンツベースのレコメンデーションなど、グラフを含むオンライン学習問題の解決に適している。
  論文  参考訳（メタデータ） (2026-04-28T06:29:27Z)
• Graph-Skeleton: ~1% Nodes are Sufficient to Represent Billion-Scale Graph [11.661431088477329]
  本稿では,背景ノードを適切に取得する新しいGraph-Skeleton1モデルを提案する。 特に、0.24億のノードを持つMAG240Mデータセットでは、生成したスケルトングラフは、元のグラフの1.8%のノードしか含んでおらず、非常に同等のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-02-14T20:33:11Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Joint graph learning from Gaussian observations in the presence of hidden nodes [26.133725549667734]
  本稿では,隠れ変数の存在を考慮した共同グラフ学習法を提案する。 従来の考察から得られた構造を利用して凸最適化問題を提案する。 提案したアルゴリズムを異なるベースラインで比較し、合成グラフと実世界のグラフ上での性能を評価する。
  論文  参考訳（メタデータ） (2022-12-04T13:03:41Z)
• Finding MNEMON: Reviving Memories of Node Embeddings [39.206574462957136]
  元のグラフのノード埋め込み行列にのみアクセスすることで、敵が適切な精度でエッジを復元できることが示される。 広範囲な実験を通してグラフ回復攻撃の有効性と適用性を示す。
  論文  参考訳（メタデータ） (2022-04-14T13:44:26Z)
• Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
  基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。 この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T18:44:37Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。