影响最大化（IM）的表达为从社交网络中选择一组初始用户，以最大程度地提高受影响的用户的预期数量。研究人员在设计各种传统方法方面取得了长足的进步，他们的理论设计和性能增长接近限制。在过去的几年中，与传统图相比，基于学习的IM方法已经获得了更强的概括能力 ...

影响最大化（IM）试图确定一个种子集，该种子集可以在网络中最大程度地发挥影响力，并在病毒营销，疾病控制和政治运动等领域的应用。预算影响最大化（BIM）问题通过纳入不同节点的成本限制来扩展IM。但是，目前仅受到预算的限制，当前的BIM问题通常会导致选择众多低成本节点，这可能不适用于现实世界中的情况 ...

影响最大化旨在确定一组有影响力的人，称为有影响力的人，作为信息来源，以最大程度地扩展信息在网络中的传播，构成了重要的组合优化问题，并具有广泛的实用应用和持续的跨学科利益。已经设计了各种方法来有效解决此问题，其中之一涉及从给定的中心排名中选择影响者。在本文中，我们提出了一个基于网络中基本周期的排名的新型优化框架，能够从各种集中度度量中选择影响者 ...

在社交在线平台中，识别有影响力的种子用户以最大程度地提高影响力传播至关重要，因为它可以大大降低信息传播所需的成本和努力。虽然有效，但传统的多重影响影响最大化（MIM）已达到其性能限制，促使基于学习的方法的出现。这些新颖的方法旨在更好地概括和可扩展性，以实现更大的图形，但面临着重大挑战，例如（1）无法处理未知的扩散模式以及（2）（2）依赖高质量训练样本 ...

在本文中，我们解决了一项具有挑战性的任务，即同步运动字幕，该任务旨在生成与人类运动序列同步的语言描述。该任务与许多应用有关，例如对齐的手语转录，无监督的动作细分和时间基础。我们的方法引入了控制 Transformer 的自我和交叉注意分布的机制，从而允许解释性和时间对齐的文本生成 ...

基于位置的社交网络（LBSN）的快速发展导致了社会的重大变化，从而导致了对使用LBSN数据进行社会经济预测的流行研究，例如地区人口和商业活动估计 ...

隐私和透明度是值得信赖的机器学习的两个关键基础。模型说明提供了对模型对输入数据的决定的见解，而隐私主要涉及保护有关培训数据的信息。我们分析模型解释与有关模型训练集的敏感信息的泄漏之间的联系 ...

扩散模型在生成2D图像和小规模3D对象方面显示出了显着的结果。但是，很少探索它们在大规模3D场景合成中的应用。这主要是由于3D风景数据（尤其是室外场景）的固有复杂性和庞大的尺寸以及综合现实世界中数据集的有限可用性，这使得训练成为一个稳定的场景扩散模型，具有挑战性 ...