Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
WSDM 2016勉強会資料
Search
Shinichi Takayanagi
March 17, 2016
Research
1
1.1k
WSDM 2016勉強会資料
「WSDM 2016勉強会」(
https://atnd.org/events/74341)の担当箇所資料
。
Shinichi Takayanagi
March 17, 2016
Tweet
Share
More Decks by Shinichi Takayanagi
See All by Shinichi Takayanagi
[NeurIPS 2023 論文読み会] Wasserstein Quantum Monte Carlo
stakaya
0
360
[KDD2021 論文読み会] ControlBurn: Feature Selection by Sparse Forests
stakaya
2
1.8k
[ICML2021 論文読み会] Mandoline: Model Evaluation under Distribution Shift
stakaya
0
1.9k
[情報検索/推薦 各社合同 論文読み祭 #1] KDD ‘20 "Embedding-based Retrieval in Facebook Search"
stakaya
2
500
【2020年新人研修資料】ナウでヤングなPython開発入門
stakaya
29
20k
論文読んだ「Simple and Deterministic Matrix Sketching」
stakaya
1
910
Quick Introduction to Approximate Bayesian Computation (ABC) with R"
stakaya
3
250
The Road to Machine Learning Engineer from Data Scientist
stakaya
5
4k
論文読んだ「Winner’s Curse: Bias Estimation for Total Effects of Features in Online Controlled Experiments」
stakaya
1
4.4k
Other Decks in Research
See All in Research
論文紹介 DSRNet: Single Image Reflection Separation via Component Synergy (ICCV 2023)
tattaka
0
190
脳卒中患者・家族からみた循環器病対策推進基本計画の進捗に関する調査
japanstrokeassociation
0
550
音声処理ツールキットESPnetの現在と未来
kanbayashi1125
3
580
Rの機械学習フレームワークの紹介〜tidymodelsを中心に〜 / machine_learning_with_r2024
s_uryu
0
250
東工大Swallowプロジェクトにおける大規模日本語Webコーパスの構築
aya_se
13
7.2k
ICLR2024 LLMエージェントの研究動向
masatoto
9
4k
[KDD2023論文読み会] BERT4CTR: An Efficient Framework to Combine Pre-trained Language Model with Non-textual Features for CTR Prediction / KDD2023 LY Tech Reading
shunk031
0
490
VAR モデルによる OSS プロジェクト同士が生存性に与える 影響の分析
noppoman
0
150
Embodied AIについて / About Embodied AI
nttcom
1
680
新入生向けチュートリアル:文献のサーベイv2
a1da4
7
6.2k
NeurIPS-23 参加報告 + DPO 解説
akifumi_wachi
5
2.2k
Evolutionary Optimization ofModel Merging Recipes (2024/04/17, NLPコロキウム)
iwiwi
9
3.9k
Featured
See All Featured
WebSockets: Embracing the real-time Web
robhawkes
59
7k
10 Git Anti Patterns You Should be Aware of
lemiorhan
649
58k
Testing 201, or: Great Expectations
jmmastey
30
6.4k
5 minutes of I Can Smell Your CMS
philhawksworth
199
19k
RailsConf & Balkan Ruby 2019: The Past, Present, and Future of Rails at GitHub
eileencodes
126
32k
How GitHub Uses GitHub to Build GitHub
holman
468
290k
Understanding Cognitive Biases in Performance Measurement
bluesmoon
12
1.1k
Let's Do A Bunch of Simple Stuff to Make Websites Faster
chriscoyier
501
140k
How STYLIGHT went responsive
nonsquared
92
4.8k
The Straight Up "How To Draw Better" Workshop
denniskardys
228
130k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
358
22k
Cheating the UX When There Is Nothing More to Optimize - PixelPioneers
stephaniewalter
275
13k
Transcript
WSDM 2016勉強会 「Wiggins: Detecting Valuable Information in Dynamic Networks Using
Limited Resources」 Ahmad Mahmoody, Matteo Riondato, Eli Upfal 株式会社リクルートコミュニケーションズ ICTソリューション局アドテクノロジーサービス開発部 高柳慎一
モチベーション • 動的ネットワーク上での情報検知は有用 – 新しいWebページの検出 – 電気回路上での欠陥の伝搬 – 水の汚染の検出 •
情報がネットワーク上を伝搬していく • 情報を新規性のあるうちに見つけたい • 一方、全ノードを常に監視するのは難しい – 各時点において一部のノードを調査できる状況を考える • どうノードを調査すべきかの最適なスケジューリン グを考えたい 2
やったこと • 各種定義 – ネットワーク上での情報の生成と伝搬過程の定式化 • (明示的に書いてないけど)測度論ベース – スケジュールに沿ったノードの調査法の定義 –
異なるスケジュール間のコストを定義 • これらを最適調査計画問題(Optimal Probing Schedule Problem)として定義づける • 制約付の凸計画問題として定式化し、それを解くた めにWIGGINSというアルゴリズム提案 – MapReduce適用な形で提案 – WIGGINSってのはシャーロックホームズに出てくる諜報 機関?のリーダの名前らしい 3
2:問題の定式化 • グラフ構造: • ノード数: • ノードの部分集合族: • ある関数(確率): :
→ • グラフ上での情報生成・伝搬過程: – 時点tにおいて生成される情報(集合族): – あるノード部分集合 が に含まれる確率 • Sは論文中ではσ加法族と区別するために導入 – 単なるVの部分集合と考える、かつ、その生起確率を定義 • (t, S): “時点tに生成された情報が 手元にある る”を表現(アイテムと呼称) 4
2:問題の定式化 • “時点tにおいて調査する” =アイテム集合を得る • 過去に生成された情報の和集合: • 全時点ではc個のノードのみを調べる • :時点tより以前に取得
• :時点tにおいてまだここにない • 情報の新規性: • まだ見ぬ情報集合 によるLoad 5
• スケジュールpはノードV上の確率分布 • 時点tにおいてc個のうち 個ノードを選択 • コスト関数を定義(スケジュールpに依存!) • これを解く: (θ,
c)-OPSP – (θ, c)-Optimal Probing Schedule Problem – スケジュール集合: 6 2:問題の定式化
3: 関連研究 • 水汚染の検出[1, 13, 20, 24, 29] • 伝染病の検出[7]
• センサーのバッテリー消費最適化[11, 19, 21, 22] • SNS上での急伸トピックの検出[4, 25] • クローリング [8, 32] • ニュースフィードの更新[3, 15, 28, 30] 7
4:WIGGINSアルゴリズム • が既知の場合 • は凸関数 • 拘束条件付きの最適化問題として以下を解く 8
4:WIGGINSアルゴリズム 9
• 限られた(離散的な)情報しかわからない場合 • アルゴリズムはこの部分だけを変更する • Sごとにmapして計算(mapReduce) 10 4:WIGGINSアルゴリズム
5:数値実験 • Independent-Cascade (IC) model [17]を使用 • 生成(creation)フェイズ – ノード上に噂”rumor”を生成し、そのノードの出次数
(出 て行く辺数、outdegree, deg+)に応じて確率にbiasを付 けて生成を行わせる • 伝搬(diffusion)フェイズ – 確率1/伝搬先の入次数(入ってくる辺数indegree, deg-) で伝搬 11
• 他のベンチマーク的な方法 – 一様、out or indegree・接続数に比例で選択 • これらに比べてコスト関数が小さくなる 12 5:数値実験
• 一度最適化したもの に負荷を与える(灰 色箇所始端からノー ドの値をランダムに ひっくり返す) • 緑色箇所にてまた最 適化計算 13
5:数値実験
• ノイズの影響がまた消える 14 5:数値実験
まとめ • ネットワーク上での情報の生成と伝搬過程の定式化 • (明示的に書いてないけど)測度論ベース – スケジュールに沿ったノードの調査法の定義 – 異なるスケジュール間のコストを定義 •
これらを最適調査計画問題(Optimal Probing Schedule Problem)として定式化 • 制約付の凸計画問題として定式化し、それを解くた めにWIGGINSというアルゴリズム提案 • 数値検証実施 15