用于社交网络上公平影响力最大化的对抗图嵌入
机器学习
2020-05-12 v2 社会与信息网络
机器学习
摘要
影响力最大化是网络科学中广泛研究的课题，其目标是在仅针对少量初始个体的情况下，触达尽可能多的节点。它在许多领域都有重要应用，包括病毒式营销、信息传播、新闻传播和疫苗接种。然而，该目标通常不考虑最终受影响节点集相对于种族或性别等敏感属性是否公平。在此，我们探讨公平影响力最大化，旨在更公平地触达少数群体。我们引入了对抗图嵌入：我们共同训练一个用于图嵌入的自编码器和一个用于识别敏感属性的判别器。这使得嵌入在敏感属性间的分布相似。然后，我们通过对嵌入进行聚类来寻找一个好的初始集。我们相信我们是首个将嵌入用于公平影响力最大化任务的研究。虽然公平性和影响力最大化目标之间通常存在权衡，但我们在合成和真实数据集上的实验表明，我们的方法在保持与 SOTA 影响力最大化方法相当的同时，显著减少了差异。
引用
@article{arxiv.2005.04074,
title = {Adversarial Graph Embeddings for Fair Influence Maximization over Social Networks},
author = {Moein Khajehnejad and Ahmad Asgharian Rezaei and Mahmoudreza Babaei and Jessica Hoffmann and Mahdi Jalili and Adrian Weller},
journal= {arXiv preprint arXiv:2005.04074},
year = {2020}
}
备注
In Proc. of the 29th International Joint Conference on Artificial Intelligence (IJCAI'20), 2020