LOFA：基于惰性前向选择的全带宽反馈下在线影响最大化
机器学习
2026-01-06 v1 人工智能
社会与信息网络
摘要
我们研究了在线影响最大化（IM）问题，即在固定时间范围内，受卡片数预算约束，在每个时间步骤选择一组节点——称为种子集——以最大化预期累计影响。在全带宽反馈模型下，仅观察每个时间步骤所选种子集的影响，且不额外获取关于网络或扩散过程的结构信息。已知影响函数具有子调和性，现有算法利用这一属性实现低 regret。在本工作中，我们进一步利用这一属性，提出惰性在线前向算法（LOFA），实现更低的经验性 regret。我们在真实社交网络上进行实验，表明LOFA在累计 regret和即时奖励方面优于现有基于 bandit 的算法。
引用
@article{arxiv.2601.00933,
title = {LOFA: Online Influence Maximization under Full-Bandit Feedback using Lazy Forward Selection},
author = {Jinyu Xu and Abhishek K. Umrawal},
journal= {arXiv preprint arXiv:2601.00933},
year = {2026}
}
备注
14 pages and 6 figures