연속 하이퍼그래프와 적대적 학습을 통한 다중 규모 확산 예측 향상

정보 확산 예측은 사회적 네트워크에서 정보 전파를 이해하는 데 중요한 역할을 하며, 거시적 및 미시적 예측 작업을 포함합니다. 거시적 예측은 정보 확산의 전반적인 영향을 추정하고, 미시적 예측은 영향을 받을 다음 사용자를 식별하는 데 초점을 맞춥니다. 이전 연구는 종종 이 두 가지 측면 중 하나에 집중하는 반면, 몇몇 연구는 두 가지를 동시에 다룹니다. 이 두 작업은 서로 다른 수준에서 확산 과정에 대한 보완적인 통찰력을 제공하며, 공통 특성과 고유한 속성을 드러냅니다. 이러한 작업 간의 공통 기능을 활용하여 정보 예측을 향상시키는 탐색은 아직 충분히 탐구되지 않은 분야입니다. 본 논문에서는 거시적 및 미시적 예측 작업 모두를 다루는 직관적이고 효과적인 모델을 제안합니다. 우리 접근 방식은 매크로 수준에서의 캐스케이드 간 상호작용과 역학을 고려하고, 마이크로 수준에서 사회적 네트워크의 사용자 간 사회적 동질성을 포함합니다. 또한, 공유 특성의 무결성을 보장하기 위해 적대적 훈련 및 직교성 제약을 도입합니다. 네 개의 데이터셋에 대한 실험 결과, 우리의 모델이 최첨단 방법보다 크게 우수하다는 것을 입증합니다.