具有局部观测的在线影响力最大化
机器学习
2018-05-29 v1 机器学习
摘要
我们考虑一个在线影响力最大化问题，其中决策者从大量候选节点中选择一个节点并将一条信息放置于该节点。该节点将信息传递给随机图中同一连通分量内的某些其他节点。决策者的目标是触及尽可能多的节点，且附加的复杂之处在于反馈仅关于所选节点的度可用。我们的主要结果表明，此类局部观测足以在两类被广泛研究的随机图模型族中最大化全局影响：随机块模型与 Chung--Lu 模型。基于这一洞见，我们提出一种旨在最大化局部（从而全局）影响的 bandit 算法，并在上述两类模型的亚临界与超临界机制下给出其理论分析。值得注意的是，我们的性能保证未显式依赖于网络中节点总数，使得我们的方法非常适用于大规模应用。
引用
@article{arxiv.1805.11022,
title = {Online Influence Maximization with Local Observations},
author = {Julia Olkhovskaya and Gergely Neu and Gábor Lugosi},
journal= {arXiv preprint arXiv:1805.11022},
year = {2018}
}