論文の概要: Graph Reduction in Multirelational Networks: A Spreading-Oriented Reduction Benchmark

• arxiv url: http://arxiv.org/abs/2606.12581v1
• Date: Wed, 10 Jun 2026 18:29:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.406217
• Title: Graph Reduction in Multirelational Networks: A Spreading-Oriented Reduction Benchmark
• Title（参考訳）: マルチリレーショナルネットワークにおけるグラフリダクション:分散指向型リダクションベンチマーク
• Authors: Mateusz Stolarski, Michał Czuba, Piotr Bielak, Piotr Bródka,
• Abstract要約: 本稿では,影響の最大化(IM)モデルを評価するための,オープンソースの標準フレームワークであるスプレッドス・オリエント・リダクション・ベンチマーク(AUC)を紹介する。 複数のIMシナリオにおけるスペーシフィケーションと粗大化の効果について検討した。 これらの知見は,複雑なネットワークにおけるIMプロセスの研究におけるマルチタスク評価の重要性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 0.5249805590164901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world networks are inherently incomplete, noisy, and dynamically evolving, making it difficult to capture all actors and their relationships. Their scale often renders direct analysis computationally demanding. While influence maximisation (IM) has been widely studied, the role of graph reduction as a preprocessing step, and its impact on IM accuracy, remains underexplored. In this work, we introduce the Spreading-Oriented Reduction Benchmark (SORB), an open-source, standardised framework for systematically evaluating IM models across diverse task settings. SORB provides an extensible pipeline operating on a representative collection of real-world networks, including single- and multilayer structures, and accounts for graph reduction directly into the evaluation process. This design shifts the focus from analysing IM algorithms in isolation to quantifying how graph reduction alters predictive performance. Using SORB, we study the effects of sparsification and coarsening across multiple IM scenarios. Our results show that the impact of reduction is strongly dependent on both the network type (single-layer vs. multirelational) and the downstream task ($Gain@k$ vs. $\mathrm{AUC}_{\mathrm{cutoff}}$): sparsification preserves seed set quality on single-layer networks, whereas flattened multilayer networks exhibit systematic ranking degradation regardless of reduction strategy. These findings highlight the importance of reduction-aware, multi-task evaluation when studying spreading processes in complex networks.
• Abstract（参考訳）: 現実世界のネットワークは本質的に不完全であり、騒々しく、動的に進化しているため、すべてのアクターとその関係を捉えることは困難である。 彼らのスケールは、しばしば直接解析を計算的に要求する。 影響の最大化(IM)は広く研究されているが、前処理ステップとしてのグラフ削減の役割と、そのIM精度への影響は未解明のままである。 本研究では,多種多様なタスク設定にまたがってIMモデルを体系的に評価するための,オープンソースの標準フレームワークであるスプレッド・オリエンテッド・リダクション・ベンチマーク(SORB)を紹介する。 SORBは、単層構造や多層構造を含む実世界のネットワークの代表的コレクションで動作する拡張可能なパイプラインを提供し、評価プロセスに直接グラフの削減を行う。 この設計は、IMアルゴリズムを分離して分析することから、グラフの削減が予測性能をどのように変化させるかの定量化に焦点を移す。 SORBを用いて,複数のIMシナリオにおけるスペーシフィケーションと粗大化の効果について検討した。 その結果, 減級の影響はネットワークタイプ(単層対マルチリレーショナル)と下流タスク(Gain@k$ vs. $\mathrm{AUC}_{\mathrm{cutoff}}$)の両方に強く依存していることが判明した。 これらの知見は、複雑なネットワークにおける拡散過程を研究する際に、減量認識、マルチタスク評価の重要性を浮き彫りにする。

関連論文リスト

• Resource-Aware Neural Network Pruning Using Graph-based Reinforcement Learning [0.8890833546984916]
  本稿では,グラフベースの観測空間をAutoMLフレームワークに統合することで,ニューラルネットワークのプルーニングに新たなアプローチを提案する。 本フレームワークは,対象ニューラルネットワークのグラフ表現を導入することにより,刈り込み処理を変換する。 作用空間に対しては、連続プルーニング比から細粒な二分作用空間へ遷移する。
  論文  参考訳（メタデータ） (2025-09-04T15:05:05Z)
• Influence Maximization via Graph Neural Bandits [54.45552721334886]
  IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。 IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T17:54:33Z)
• A Multi-objective Complex Network Pruning Framework Based on Divide-and-conquer and Global Performance Impairment Ranking [40.59001171151929]
  本稿では,多目的複合ネットワークプルーニングフレームワークを提案する。 提案アルゴリズムは,最先端プルーニング手法と同等の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-28T12:05:15Z)
• 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)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• Sequential Hierarchical Learning with Distribution Transformation for Image Super-Resolution [83.70890515772456]
  画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。 特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。 実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-19T01:35:53Z)
• On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
  現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。 現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。 トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:39:04Z)
• 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)
• Efficient Facial Feature Learning with Wide Ensemble-based Convolutional Neural Networks [20.09586211332088]
  畳み込みネットワークに基づく共有表現を用いたアンサンブル実験について述べる。 本研究では,ESRの分岐レベルを変化させることで,冗長性と計算負荷を劇的に低減できることを示す。 大規模なデータセットの実験では、ESRは残余の一般化誤差を減らすことが示唆されている。
  論文  参考訳（メタデータ） (2020-01-17T14:32:27Z)

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。