BLAG：大动作集图上的Bandit
社会与信息网络
2018-09-11 v1
摘要
社交网络中的信息扩散促进了内容的快速大规模传播。然而，自发的扩散行为也可能导致敏感信息的级联传播，这一点在先前研究中被忽视。在本文中，我们首次考察敏感信息的自适应扩散，旨在防止其广泛传播同时不造成过多信息损失。我们在具有部分已知拓扑的网络中开展研究，即部分用户转发信息的能力未知。将该问题建模为bandit模型，我们提出BLAG（Bandit on Large Action set Graph，大动作集图上的Bandit），其将敏感信息自适应地扩散至具有较弱转发能力的用户，该能力通过试探性传输及相应反馈学习得到。BLAG具有的低复杂度，并且在半遗憾界意义上相比先前学习方法被证明更高效。在合成与三个真实数据集上的实验进一步证明了BLAG在敏感信息自适应扩散方面优于若干基线，信息损失减少至少40%，在有限学习轮数下学习效率至少提升10倍，并显著推迟了敏感信息的级联。
引用
@article{arxiv.1809.02711,
title = {BLAG: Bandit On Large Action Set Graph},
author = {Yucheng Lu and Xudong Wu and Jingfan Meng and Luoyi Fu and Xinbing Wang},
journal= {arXiv preprint arXiv:1809.02711},
year = {2018}
}