从不完全观测中学习影响函数
社会与信息网络
2016-11-09 v1 机器学习
机器学习
摘要
我们研究了在节点激活不完全观测条件下学习影响函数的问题。不完全观测是一个主要问题，因为大多数（在线和现实世界）社交网络并非完全可观测。我们确立了在随机缺失观测下影响函数的恰当与不恰当 PAC 可学习性。在离散时间线性阈值 (DLT) 和离散时间独立级联 (DIC) 模型下的恰当 PAC 可学习性，通过将不完全观测归约到修改图中的完全观测来确立。我们的不恰当 PAC 可学习性结果适用于 DLT 和 DIC 模型以及连续时间独立级联 (CIC) 模型。它基于以可达性特征表示的参数化，并产生了一种高效实用的启发式方法。在合成和真实世界数据集上的实验证明了我们的方法甚至能够补偿相当大比例的缺失观测。
引用
@article{arxiv.1611.02305,
title = {Learning Influence Functions from Incomplete Observations},
author = {Xinran He and Ke Xu and David Kempe and Yan Liu},
journal= {arXiv preprint arXiv:1611.02305},
year = {2016}
}
备注
Full version of paper "Learning Influence Functions from Incomplete Observations" in NIPS16