- 图上最大覆盖问题的深度强化学习方法对比研究
这篇论文通过全面的基准研究,调查了五种最近的深度强化学习方法在最大覆盖问题和影响最大化问题中的有效性和效率,并发现在最大覆盖问题中,Lazy Greedy 算法一直优于所有深度强化学习方法,而在影响最大化问题中,IMM 和 OPIM 算法在 - KDD基于图神经赌博师的影响力最大化
利用神经 Bandit 算法解决基于未知传播网络的影响力最大化问题,在实时选择种子节点的同时,通过图卷积网络对影响者的预估奖励进行优化,从而在传播网络未知的情况下,在两个大型真实数据集上显著提高了传播效果。
- 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。
- AAAI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。
- 打包和测量:社交网络中影响传播的有效方法
基于独立级联模型下的影响最大化问题,提出了一种新的种子集选择方法,基于 $d$-packing 和顶点中心性的概念,通过计算 $d$-Packing 并选择高度或高中心性的顶点来作为种子集,证明了这种 “Pack and Measure” - AAAIDQSSA:一种量子启发式的在线社交网络影响力最大化解决方案(学生摘要)
基于量子原理的离散化蛙群算法(DQSSA)针对社交网络中的影响扩散进行了优化。实验结果表明,与现有的尖端算法相比,DQSSA 具有卓越的性能。
- DSCom:社交网络中基于数据驱动的自适应社区框架用于最大化影响力
我们通过基于机器学习的框架 DSCom,利用节点属性来估计连接节点之间的亲密度,从而解决影响力重叠问题。与之前的理论工作相比,我们基于真实世界的社交网络设计了参数化扩散模型的经验实验,证明了算法的高效性和有效性。
- 在复杂网络中寻找影响因素:一种有效的深度强化学习方法
为了解决复杂网络中最大化影响力的任务的效率和性能问题,本论文提出了一种名为 DREIM 的深度强化学习模型,它采用图神经网络作为编码器,采用强化学习作为解码器,通过在小型合成图上进行大量训练,在解决质量上超越了传统最佳影响力最大化算法,并展 - 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。
- ICML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。
- 联合互补与竞争影响最大化:同时增强盟友和防止竞争者
本文提出了一个新的影响力传播模型,即互补竞争独立级联(C ^ 2 IC)模型,它综合了三种广为人知的影响模型,即影响提升(IB)模型,活动无关(CO)IC 模型和带有负面意见的 IC-N(IC 模型)。这是第一个在多代理环境下全面考虑互补和 - 超图中的因果影响最大化
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。
- 利用统计方法在具有有限可见性的复杂网络中进行影响最大化
该研究利用指数随机图模型等方法将影响力最大化方法扩展到伪可见性图,并在 Stanford 大学的 Snap 数据集上进行了测试。实验结果表明,该方法在现实世界的网络图上具有高效性。
- 社交影响最大化的社区感知框架
提出了一个基于社群感知的分治框架来解决影响力最大化问题,在学习社交网络的内在社群结构、为每个社区解决影响力最大化问题以及使用渐进式费用分配方案来选择最终的种子节点过程中,实现了候选解的生成。实验结果表明,相比标准方法,该框架在运行时间方面表 - 社交网络中影响最大化的多重转化进化框架
本文提出了一种多变换进化框架来最大化影响,在众多转换方法中利用最适合的策略来选择种子集合,实验结果表明,该方法在多个基准测试和实际社交网络上均表现出高效的性能。
- ICML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 - ICML利用强化学习和图神经网络控制图动态
考虑通过有限的干预来控制动态过程。我们将这个问题表述为关于时间图过程的顺序决策问题,并设计了一个新颖的可行方案来控制时间图上的动态过程。我们成功地将方法应用于两个流行问题:优先考虑哪些节点进行检测以限制疫情传播,以及影响最大化问题。
- AAAI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。
- IJCAI面向社交网络的公平影响最大化对抗性图嵌入
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。
- 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。