Jan, 2023

超图中的因果影响最大化

PDF
TL;DR本研究提出了一种名为 CauIM 的新算法，通过重建每个节点的 ITE，并采用加权贪婪算法最大化受感染者 ITE 之和，以实现影响传播的合理目标。实验结果表明，CauIM 在超图流行度最大化方面表现卓越，超越了以前的 IM 和随机方法。
influence maximizationhypergraphcausal inferenceindividual treatment effectweighted greedy algorithm
发现论文，激发创造
  • 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

  • 在线影响力最大化（扩展版）

    本文介绍了在社交网络营销环境下，针对影响最大化问题提出了一种在线学习的解决方案，通过多次试验选择种子节点，采用探索 - 利用策略进行影响活动，使用用户反馈信息更新影响概率，相对于传统影响最大化方法在信息不完整情况下效果更佳。

    Jun, 2015

  • 多目标演化影响最大化：平衡传播力、预算、公平性和时间

    通过优化影响最大化的多个目标函数，结合多目标进化算法（MOEA）和图感知操作，MOEIM 在大多数多目标设置中表现出色，探索目标之间的相关性，提供了新的见解。

    Mar, 2024

  • 面向影响最大化的无模型在线学习

    该论文考虑了社交网络中的影响最大化问题，提出了一种可快速从数据中学习的新颖参数化框架并开发了 LinUCB 算法来解决问题。

    Mar, 2017

  • 图结构贝叶斯优化的多重影响力最大化

    该论文研究了影响力最大化问题，提出了多重影响力最大化的模型，探索了多重扩散和信息关联机制，并通过图贝叶斯优化提供了高效的全局传递模块。

    Mar, 2024

  • 样本中的网络推断和影响最大化

    本文提出一种基于采样的影响力最大化方法，对于给定的节点影响传播日志数据，采用新颖的网络推断方法，可以学习到网络结构和传播参数，避免网络结构和参数假设所带来的误差。相比以往的方法，本方法不需要最大似然估计和凸规划假设，可以在网络参数学习难度较高的情况下保证一个比较小的近似率。

    Jun, 2021

  • 学习超图上的因果效应

    本文从因果关系的角度出发，探讨了如何在超图中估计个体治疗效果 (ITE)，并提出了一个新的超图神经网络框架以更好地建模高阶干扰。实验证明，与现有基线相比，我们的框架具有更好的表现。

    Jul, 2022

  • IMRank: 通过寻找自洽排名进行影响力最大化

    提出一种基于迭代排序的算法 IMRank，通过同时利用贪心算法和启发式算法，以节点排序的感染影响力边际作为参考，高效地解决了社交网络中的最大影响力问题。经过对大规模真实社交网络的广泛实验，IMRank 总是以极高的准确性实现的同时，计算成本大大降低。

    Feb, 2014

  • 一种基于社区桥节点的极低预算影响最大化社交网络传播者排序算法

    社交网络已经在广泛应用于人们之间的交流并且与传递意见和想法，其中影响最大化是广告推荐和个性化推荐的重要方式之一。此论文提出了一种基于社区结构的方法，利用 K-Shell 算法来生成种子节点和社区之间的连通性得分，以确保信息在社区内的适当传播，并使用熵来评估该方法在独立级联模型上的表现。作者的方法在八个公开网络上的实验中表现出色，比基线方法在四项评价指标上显著优越。

    Nov, 2022

  • 基于独立级联模型的节点级反馈在线影响最大化

    本研究提出了一种应对节点级反馈的独立级联模型（IC）的在线影响最大化问题的算法，通过使用该算法，可以在社交网络中找到最优种子节点来刺激信息在网络中最大范围的传播。

    Sep, 2021