CLAIM：面向未知社交网络影响最大化的课程学习策略
人工智能
2021-07-09 v1 社会与信息网络
摘要
影响最大化是在网络中寻找能够最大化信息扩散的一小子集节点的问题。近来，它也在 HIV 预防、药物滥用预防、小额信贷采纳等方面得到应用，其目标是在真实世界物理社交网络中识别能够向大量人群传播信息的同伴领袖集合。与在线社交网络不同，真实世界网络并非完全已知，且收集网络信息成本高昂，因为这涉及调查多个人。本文聚焦于这一面向影响最大化的网络发现问题。该方向的现有工作提出了一种强化学习框架。由于真实世界环境中的交互成本高昂，因此强化学习算法具有尽可能少的环境交互（即样本高效）十分重要。本工作中，我们提出 CLAIM——面向影响最大化的课程学习（Curriculum LeArning）策略，以提升 RL 方法的样本效率。我们在真实世界数据集上开展实验，表明我们的方法可以优于当前最佳方法。
引用
@article{arxiv.2107.03603,
title = {CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown Social Networks},
author = {Dexun Li and Meghna Lowalekar and Pradeep Varakantham},
journal= {arXiv preprint arXiv:2107.03603},
year = {2021}
}