时间网络上影响最大化的有效子模性

我们研究时间网络上的影响最大化。这是一种特殊设定，其中影响函数不是子模的，且通过贪心优化获得的解决方案没有最优性保证。我们对真实和合成网络进行了详尽分析。我们表明，随机采样的种子集合的影响函数经常违反子模性的必要条件。然而，当根据贪心优化策略选择种子集合时，影响函数表现为有效的子模函数。具体而言，在真实网络中从未观察到对子模性必要条件的违反，在合成网络中也仅罕见出现。与通过暴力搜索获得的精确解的直接比较表明，贪心策略提供的近似解严格处于子模函数所保证的最优性间隙之内。因此，贪心优化似乎是时间网络上影响最大化的有效策略。