基于代理建模和连续松弛的可微影响最小化 DiffIM
机器学习
2025-02-04 v1 社会与信息网络
摘要
在社交网络中，人们通过社交链接相互影响，这些链接可表示为图中节点之间的传播。影响最小化 (IMIN) 是一种问题，即要通过操纵输入图的结构（例如删除边）来减少节点之间的传播。IMIN 可以表示如谣言屏蔽等时间关键的现实应用，但 IMIN 在理论上困难且计算成本高昂。此外，IMIN 的离散性阻碍了强大机器学习技术的使用，这些技术需要可微的计算。本文提出了 DiffIM，这是一种 novel 的 IMIN 方法，包含两种用于加速的可微方案：（1）用于高效影响估计的代理建模，避免了耗时的仿真（例如蒙特卡罗），以及（2）决策的连续松弛，避免对单个离散决策（例如删除一条边）的评估。我们进一步提出了第三种加速方案，即基于梯度的选择，能够在每个测试实例上无需进行优化（例如梯度下降迭代）即可即时选择边。通过在真实图上进行大量实验，我们展示，每种提议方案均在速度上显著提升，且几乎不（或甚至没有）导致 IMIN 性能下降。我们的方法在 Pareto 最优（即没有基线同时比它更快且更有效）且通常快几个数量级（例如最有效的基线快达 15160 倍），同时更有效。
引用
@article{arxiv.2502.01031,
title = {DiffIM: Differentiable Influence Minimization with Surrogate Modeling and Continuous Relaxation},
author = {Junghun Lee and Hyunju Kim and Fanchen Bu and Jihoon Ko and Kijung Shin},
journal= {arXiv preprint arXiv:2502.01031},
year = {2025}
}
备注
Accepted to AAAI'25