基于最优传输理论的社会影响扩散公平性研究
社会与信息网络
2025-01-31 v5 计算机与社会
组合数学
摘要
我们研究了社会影响扩散中的公平性问题，即通过选择种子节点来传播给定信息，同时在不同社区（例如人口统计分组）之间实现均衡的覆盖。在现有文献中，公平性通常以不同社区内的预期覆盖量来衡量。本文表明，此类公平性度量标准可能具有误导性，因为它们忽略了信息扩散过程的随机性。当信息扩散以概率方式发生时，可能出现多种覆盖情景。例如，“在50%的情况下，群体1中没有人获取信息，而群体2中所有人都获取信息；在另外50%的情况下，情况恰好相反”，这种结果虽然在各种公平性度量标准下都被归类为公平，但实际上是高度不公平的。我们通过设计一种新的公平性度量——互惠公平性（mutual fairness），来捕捉通过最优传输理论描述的覆盖 variability，来解决这一问题。我们提出了一种新的种子选择算法，用于同时优化覆盖量和互惠公平性，并在多个真实数据集上展示了其有效性。我们发现，与其他方法相比，我们的算法仅在效率上略有下降（甚至在某些情况下有所提高），即可显著提高公平性。
引用
@article{arxiv.2406.17736,
title = {Fairness in Social Influence Maximization via Optimal Transport},
author = {Shubham Chowdhary and Giulia De Pasquale and Nicolas Lanzetti and Ana-Andreea Stoica and Florian Dorfler},
journal= {arXiv preprint arXiv:2406.17736},
year = {2025}
}