通过阻断策略最小化影响力

我们研究影响力最小化问题：给定图 $G$ 和种子集 $S$，阻断最多 $b$ 个节点或 $b$ 条边，以使种子集的影响力传播最小化。这是网络分析中一个关键但尚未被充分探索的方面，它可以限制错误信息和流行病等不良现象在网络中的传播。鉴于该问题在 IC 和 LT 模型下固有的 NP 难性，以往的研究采用贪心算法和蒙特卡洛模拟来解决它。然而，由于需要枚举所有候选阻断者并计算阻断每个候选者所导致的期望传播减少量，现有技术在应用于大型网络时成本过高。这显著限制了现有方法的实用性和有效性，尤其是在需要快速决策的情况下。在本文中，我们提出了 AdvancedGreedy 算法，该算法利用了一种结合支配树结构的新型图采样技术。我们发现 AdvancedGreedy 可以在 LT 模型下实现该问题的 $(1-1/e-\epsilon)$ 近似。对真实网络的实验评估表明，我们提出的算法在效率上表现出显著提升，超过最先进算法三个数量级，同时保持了高效能。