IJCAIMay, 2020

面向社交网络的公平影响最大化对抗性图嵌入

PDF
TL;DR本研究提出了对于敏感属性公平的影响最大化方法，采用对抗图嵌入的方式得到平衡分布的嵌入向量，并通过聚类方法获得良好的初始节点集合，实验证明其能显著提高公平性同时保持与最先进的影响最大化方法一致的复杂度。
influence maximizationnetwork sciencefairnessgraph embeddingsstate-of-the-art
发现论文，激发创造
  • 图嵌入的组合公平约束

    通过引入敌对框架在图嵌入中实施公平约束来提高节点嵌入的质量，可以灵活地容纳不同公平约束的组合。

    May, 2019

  • 影响力最大化中的群体公平

    本文提出了公平性算法框架，运用法律和博弈理论概念，以控制不同人群之间的不公平性，从而改善通常会忽略小团体的传统影响最大化技术，并应用于无家可归的年轻人的 HIV 预防干预的实验结果证实了其有效性。

    Mar, 2019

  • 社交网络中时间关键的影响力最大化问题的公平性研究

    本研究介绍一种基于社会公正性的群体时间关键影响最大化算法，以避免算法对不同人群信息接收不公平，通过实验表明该算法在合成和真实世界数据集上都表现出了有效性。

    May, 2019

  • 公平影响最大化：福利优化方法

    该研究提出了一种基于社会福利理论的公平影响最大化算法框架，旨在解决传统算法中存在的对少数群体不公平的问题，并证明了该框架可以高效地解决优化问题。

    Jun, 2020

  • 对抗学习用于去偏置知识图谱嵌入

    本文探讨了知识图谱中的社会偏见和文化偏见，特别是在节点流行度与链接预测精度之间的负相关关系以及从知识图嵌入中预测人的性别并提出了过滤对抗网络（FAN）来消除这些敏感属性信息从而使知识图谱达到去偏见的目的。

    Jun, 2020

  • DISCO: 影响力最大化遇上网络嵌入和深度学习

    本文提出了 DISCO 框架，该框架集成了网络嵌入和深度强化学习技术以解决影响最大化问题。实验结果表明，相对于传统解决方案，DISCO 具有更好的效率和影响范围质量，并且表现出良好的通用性。

    Jun, 2019

  • 深度图表示学习与优化用于影响最大化

    该研究提出了一个名为 DeepIM 的新框架，旨在解决学习为基础的影响最大化（IM）方法所面临的困难，该方法可以数据驱动地、端到端地学习多样化的信息传播模式，并设计了一个新的目标函数来推断出在灵活的基于节点中心性的预算约束下的最优种子集。

    May, 2023

  • 社交网络中基于社区结构的公平信息传播

    提出了一种基于网络建模从而实现公平信息扩散的影响最大化算法，可以有效解决社交网络中社群结构问题而不依赖节点属性，并且适用于部分观察和噪声干扰的网络。

    May, 2023

  • 使用偏差图观测的无偏图嵌入

    本文提出了一种从不受敏感结点影响的无偏图学习结点嵌入的新方法，实现无偏图嵌入的两种方法通过理论和实验的对比表明其有效性。

    Oct, 2021

  • 采用对抗训练方法学习图嵌入

    该论文提出了一个新的对手正则化框架来进行图嵌入，通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布，之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adversarially Regularized Variational Graph Autoencoder (ARVGA) 的变种来学习图嵌入，实验表明我们的方法在链接预测和图聚类中执行良好。

    Jan, 2019