論文の概要: SP-GCRL: Influence Maximization on Incomplete Social Graphs

• arxiv url: http://arxiv.org/abs/2605.12513v1
• Date: Tue, 31 Mar 2026 09:44:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.766279
• Title: SP-GCRL: Influence Maximization on Incomplete Social Graphs
• Title（参考訳）: SP-GCRL:不完全社会グラフに対する最大化の影響
• Authors: Haohua Niu, Yuxuan Yang, Lingfeng Zhang, Hao Li, Jiao Liang, Zongfu Luo, Luca Rossi,
• Abstract要約: SP-GCRLはソーシャル・プロパゲーション対応グラフコントラスト強化学習フレームワークである。 半可観測性の下で、エンドツーエンドの種選択を学習する。 グラフや学習ベースのベースラインを予算やトポロジで上回ります。
• 参考スコア（独自算出の注目度）: 7.058761545395202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Influence maximization (IM) in real platforms is challenged by incomplete, noisy social graphs and non-stationary diffusion dynamics. We propose SP-GCRL, a social-propagation-aware graph contrastive reinforcement learning framework that learns end-to-end seed selection under partial observability.We first introduce a social-propagation-aware nonlinear diffusion function to model reinforcement/diminishing effects and probability drift under repeated exposure; we then construct dual structural views and perform contrastive learning to obtain node representations robust to missing edges and weak ties, while replacing expensive strategy metrics with a GAT-based regression surrogate to improve efficiency and scalability; finally, we use DDQN to learn an end-to-end seed selection policy on top of these representations. Experiments on multiple real-world networks show that SP-GCRL achieves significant gains over heuristic and learning-based baselines across budgets and topologies, while maintaining strong large-scale scalability.
• Abstract（参考訳）: 実プラットフォームにおける影響最大化(IM)は、不完全でノイズの多いソーシャルグラフと非定常拡散ダイナミクスによって挑戦される。 本研究では,SP-GCRLを提案する。SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-G CRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCRL,SP-GCR,SP-GCR,SP-GCR,SP-GCR,SP-G CR,SP-GCR,SP-GCR,SP-GCR,SP-GCR,SP-GCR,D-GN,DDQN,DDQN,DDQNの3。 複数の実世界のネットワークでの実験では、SP-GCRLは予算やトポロジにまたがるヒューリスティック、学習ベースのベースラインよりも大幅に向上し、大規模なスケーラビリティを維持している。

関連論文リスト

• Benefits and Pitfalls of Reinforcement Learning for Language Model Planning: A Theoretical Perspective [52.38531288378491]
  強化学習(RL)法は大規模言語モデル(LLM)の計画能力を大幅に向上させた 本研究では,RLの利点と制約をグラフに基づく抽出により検討する。 我々の理論的分析から, 教師付き微調整(SFT)は共起性に基づく突発性解を導入しうるが, RLは探索によって正しい計画を立てる。
  論文  参考訳（メタデータ） (2025-09-26T17:39:48Z)
• LLM-based Contrastive Self-Supervised AMR Learning with Masked Graph Autoencoders for Fake News Detection [17.045049022252563]
  デジタル時代における誤報の拡散は、社会的な大きな課題に繋がった。 既存のアプローチは、しばしば、長距離依存、複雑な意味関係、およびニュース拡散に影響を与える社会的ダイナミクスの獲得に苦慮する。 本稿では,複雑な意味関係とニュース伝搬ダイナミクスを融合した,自己教師型誤情報検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T08:58:35Z)
• Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression [83.27791109672927]
  本稿では,資源割当ポリシに対する状態拡張グラフニューラルネットワーク(GNN)のパラメトリゼーションが,ユビキタスな二段階的手法の欠点を回避する方法を示す。 ラグランジアンによる国家拡張政策の最大化は、オフライントレーニングフェーズ中に学習される。 収束結果と指数確率は、双対函数(有限値)最適性ギャップの剰余に縛られることを証明する。
  論文  参考訳（メタデータ） (2025-06-23T15:20:58Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Diffusion-augmented Graph Contrastive Learning for Collaborative Filter [5.6604917723826365]
  グラフベースの協調フィルタリングはレコメンデーションシステムにおいて顕著なアプローチとして確立されている。 グラフコントラスト学習の最近の進歩は、データの分散問題を緩和する有望な可能性を示している。 本稿では,DGCL(Diffusion-augmented Contrastive Learning)による協調フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-20T16:15:20Z)
• Toward Scalable Graph Unlearning: A Node Influence Maximization based Approach [27.136177743390945]
  グラフアンラーニング(GU)アプローチは、モデルトレーニング中のWebスケールグラフ要素間の複雑な相互作用のため、重大な課題に直面します。 分割された影響伝達モデルときめ細かな影響関数をスケーラブルな方法で実現し,ノード影響の最大化(NIM)を提案する。 このアプローチにより、GUとは独立してオフライン実行が可能となり、ほとんどのGUメソッドにシームレスに統合され、未学習のパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2025-01-21T02:02:35Z)
• 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)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Rank-N-Contrast: Learning Continuous Representations for Regression [28.926518084216607]
  Rank-N-Contrast(RNC)は、ターゲット空間のランクに基づいて、サンプルを互いに対比することで、回帰の連続的な表現を学習するフレームワークである。 RNCは、学習された表現の望ましい順序を目標命令に従って保証する。 RNCは最先端のパフォーマンスを達成し、データ効率の向上、ターゲットの刺激に対する堅牢性、データの破損など、興味深い特性を強調している。
  論文  参考訳（メタデータ） (2022-10-03T19:00:38Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
  本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。 以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-05T09:51:25Z)

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。