論文の概要: Rethinking Learning-Based Influence Maximization: Simple Neural Surrogates and Native Discrete Search
- arxiv url: http://arxiv.org/abs/2608.08406v1
- Date: Sun, 09 Aug 2026 01:47:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.806546
- Title: Rethinking Learning-Based Influence Maximization: Simple Neural Surrogates and Native Discrete Search
- Title（参考訳）: 学習に基づく影響最大化の再考:単純なニューラルネットワークと離散探索
- Abstract要約: SIMBAは拡散モデルに依存しないフレームワークであり、直接離散探索を備えた軽量ニューラルネットワークサロゲートである。
複雑な表現から効果的な離散探索に移行することで、SIMBAは、より優れた拡散効果と効率を達成しつつ、時間とソリューションを大幅に削減する。
- 参考スコア（独自算出の注目度）: 5.337915948350182
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Existing learning-based influence maximization frameworks rely heavily on complex neural architectures and continuous optimization over seed representations. We challenge this paradigm with SIMBA, a diffusion-model-agnostic framework pairing a lightweight neural surrogate with direct discrete search. SIMBA introduces three key components: 1) uniformly anchored node embeddings that eliminate initialization noise and encourage learning driven by graph topology and diffusion pattern, 2) a shallow two-layer graph neural network surrogate predicting final infection states, and 3) batched multi-swap simulated annealing that explores combinatorial seed space without gradients or continuous relaxation. By shifting compute from complex representation learning to effective discrete search, SIMBA drastically cuts time-to-solution while achieving superior influence spread and data efficiency. Our code is available at https://github.com/yl489/rethink-IM.
- Abstract（参考訳）: 既存の学習に基づく影響の最大化フレームワークは、複雑なニューラルネットワークとシード表現に対する継続的な最適化に大きく依存している。
直接離散探索による軽量ニューラルネットワークサロゲートを組み合わせた拡散モデルに依存しないフレームワークであるSIMBAで、このパラダイムに挑戦する。
SIMBAは3つの重要なコンポーネントを導入している。
1)初期化ノイズを排除し,グラフトポロジと拡散パターンによる学習を促進する一様固定ノード埋め込み。
2) 最終感染状態を予測する浅層2層グラフニューラルネットワーク
3) 混入型マルチスワップ模擬アニーリングは, 勾配や連続緩和を伴わない組み合わせ種空間を探索する。
計算を複雑な表現学習から効果的な離散探索にシフトすることにより、SIMBAは、優れた影響拡散とデータ効率を実現しつつ、時間と解決を劇的に削減する。
私たちのコードはhttps://github.com/yl489/rethink-IMで利用可能です。
関連論文リスト
- Neural Symbollic Regression Using Deep Learning and Sparse Modelling [0.0]
シンボリック回帰は、データ内の基本的な関係を表す簡潔な数学的表現を見つけようとする。
遺伝的プログラミングのような従来の手法はスケーラビリティの課題に直面しており、ノイズに非常に敏感である。
本稿では,ニューラルネットワークを記号発見のための関数型プレコンディショナーとして扱うニューラルシンボリック回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-01T11:46:28Z) - Implicit Machine Learning Force Fields Accelerate Molecular Dynamics Simulations [10.051512224581044]
我々は、ニューラルネットワーク層の明示的なスタックを自己一貫性のある固定点方程式に置き換える暗黙の機械学習力場(I-MLFF)を導入する。
分子シミュレーションにおいて、この定式化は、中間表現を連続した時間ステップで再利用し、熱開始力の評価を可能にする。
我々の貢献は、量子力学的に忠実な分子シミュレーションのスケーリングフロンティアを前進させ、固定されたGPUメモリと計算予算内の長い軌道とより大きな原子システムを可能にします。
論文 参考訳（メタデータ） (2026-07-31T08:38:13Z) - Cortex-Inspired Continual Learning: Unsupervised Instantiation and Recovery of Functional Task Networks [2.9490560350642405]
ブロックシーケンス連続学習では、1つのモデルが先行するソリューションを保護し、先行するソリューションがタスクラベルなしで現在の入力と一致する推論時間で効率的に推論することを要求する。
哺乳動物新皮質に見られる構造的および動的モチーフにインスパイアされたパラメータアイソレーション法であるFunction Task Networks (FTN) を提案する。
論文 参考訳（メタデータ） (2026-04-27T16:06:28Z) - Learnable SMPLify: A Neural Solution for Optimization-Free Human Pose Inverse Kinematics [13.621560002904873]
Learnable SMPLifyは、SMPLifyの反復フィッティングプロセスをシングルパス回帰モデルに置き換えるニューラルネットワークフレームワークである。
SMPLifyに比べて200倍近く高速なランタイムを実現し、3DPWやRICHによく対応し、LucidActionのプラグインツールとして使用する場合、モデルに依存しない方法として動作する。
論文 参考訳（メタデータ） (2025-08-19T06:53:57Z) - TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。
TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。
また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
論文 参考訳（メタデータ） (2024-05-27T05:45:51Z) - DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。
弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。
我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
論文 参考訳（メタデータ） (2024-03-14T02:11:38Z) - Consistency Models for Scalable and Fast Simulation-Based Inference [9.27488642055461]
シミュレーションベース推論(SBI)のための新しい条件付きサンプルであるCMPEの整合性モデルを提案する。
CMPEは基本的に連続した確率フローを蒸留し、制約のないアーキテクチャで高速な数発の推論を可能にする。
実験により,CMPEは高次元のベンチマークで最先端のアルゴリズムより優れるだけでなく,より高速なサンプリング速度で競合性能を達成できることを示した。
論文 参考訳（メタデータ） (2023-12-09T02:14:12Z) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Closed Loop Neural-Symbolic Learning via Integrating Neural Perception,
Grammar Parsing, and Symbolic Reasoning [134.77207192945053]
従来の手法は強化学習アプローチを用いてニューラルシンボリックモデルを学ぶ。
我々は,脳神経知覚と記号的推論を橋渡しする前に,textbfgrammarモデルをテキストシンボリックとして導入する。
本稿では,トップダウンのヒューマンライクな学習手順を模倣して誤りを伝播する新しいtextbfback-searchアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-11T17:42:49Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。