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
1.2k
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
論文紹介「Evaluation gaps in machine learning practice」と、効果検証入門に関する昔話
stakaya
0
720
バイブコーディングの正体——AIエージェントはソフトウェア開発を変えるか?
stakaya
5
1.2k
[NeurIPS 2023 論文読み会] Wasserstein Quantum Monte Carlo
stakaya
0
540
[KDD2021 論文読み会] ControlBurn: Feature Selection by Sparse Forests
stakaya
2
1.9k
[ICML2021 論文読み会] Mandoline: Model Evaluation under Distribution Shift
stakaya
0
2k
[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
620
【2020年新人研修資料】ナウでヤングなPython開発入門
stakaya
29
21k
論文読んだ「Simple and Deterministic Matrix Sketching」
stakaya
1
1.2k
Quick Introduction to Approximate Bayesian Computation (ABC) with R"
stakaya
3
350
Other Decks in Research
See All in Research
MIRU2025 チュートリアル講演「ロボット基盤モデルの最前線」
haraduka
15
8.7k
RHO-1: Not All Tokens Are What You Need
sansan_randd
1
190
20250725-bet-ai-day
cipepser
2
480
生成的推薦の人気バイアスの分析:暗記の観点から / JSAI2025
upura
0
280
【輪講資料】Moshi: a speech-text foundation model for real-time dialogue
hpprc
3
750
大学見本市2025 JSTさきがけ事業セミナー「顔の見えないセンシング技術:多様なセンサにもとづく個人情報に配慮した人物状態推定」
miso2024
0
160
Time to Cash: The Full Stack Breakdown of Modern ATM Attacks
ratatata
0
160
MetaEarth: A Generative Foundation Model for Global-Scale Remote Sensing Image Generation
satai
4
320
一人称視点映像解析の最先端(MIRU2025 チュートリアル)
takumayagi
6
3.8k
Agentic AIとMCPを利用したサービス作成入門
mickey_kubo
0
640
[RSJ25] Enhancing VLA Performance in Understanding and Executing Free-form Instructions via Visual Prompt-based Paraphrasing
keio_smilab
PRO
0
140
地域丸ごとデイサービス「Go トレ」の紹介
smartfukushilab1
0
110
Featured
See All Featured
Building a Scalable Design System with Sketch
lauravandoore
463
33k
4 Signs Your Business is Dying
shpigford
185
22k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
127
53k
Bootstrapping a Software Product
garrettdimon
PRO
307
110k
The Web Performance Landscape in 2024 [PerfNow 2024]
tammyeverts
9
870
Mobile First: as difficult as doing things right
swwweet
224
10k
Bash Introduction
62gerente
615
210k
Producing Creativity
orderedlist
PRO
347
40k
Why You Should Never Use an ORM
jnunemaker
PRO
59
9.6k
Typedesign – Prime Four
hannesfritz
42
2.8k
Designing for Performance
lara
610
69k
Principles of Awesome APIs and How to Build Them.
keavy
127
17k
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