GraMeR：面向多目标影响力最大化的图元强化学习
机器学习
2022-05-31 v1 社会与信息网络
摘要
影响力最大化 (IM) 是一个组合问题，旨在网络中识别称为种子节点的节点子集，在给定扩散模型与种子集大小预算下，其激活能为网络带来最大影响力传播。IM 具有诸多应用，如病毒式营销、疫情控制、传感器部署及其他网络相关任务。然而，由于当前算法的计算复杂性，其应用受限。近来，人们探索学习 IM 启发式以缓解计算负担。但现有方法存在严重局限：(1) IM 公式仅考虑通过传播的影响力而忽略自激活；(2) 对大图的可扩展性；(3) 跨图族的泛化性；(4) 计算效率低，为每个测试网络识别种子集耗时过长。本工作中，我们通过独特方法逐一解决这些局限：(1) 将通用 IM 问题形式化为处理内在与影响两类激活的马尔可夫决策过程；(2) 采用双重 Q 学习估计种子节点；(3) 通过基于子图的表示保证可扩展性；(4) 通过跨图族的元学习实现泛化性。我们在多种标准网络上开展广泛实验以验证所提图元强化学习 (GraMeR) 框架的性能。结果表明，GraMeR 比传统方法快数个数量级且具有通用性。
引用
@article{arxiv.2205.14834,
title = {GraMeR: Graph Meta Reinforcement Learning for Multi-Objective Influence Maximization},
author = {Sai Munikoti and Balasubramaniam Natarajan and Mahantesh Halappanavar},
journal= {arXiv preprint arXiv:2205.14834},
year = {2022}
}
备注
11 pages, 6 figures