鲁棒影响力最大化

在本文中，我们处理了广为研究的影响力最大化问题——在社交网络中寻找$k$个种子节点以最大化影响传播——中边影响概率估计的不确定性的重要问题。我们提出鲁棒影响力最大化问题，在参数输入不确定的情况下，最大化所选种子集与最优种子集的影响传播之比的最坏情况。我们设计了一种以解相关界求解该问题的算法。我们进一步研究均匀采样和自适应采样方法，以有效减少参数不确定性并提高影响力最大化任务的鲁棒性。我们的经验结果显示，参数不确定性可能极大影响影响力最大化性能，且先前学习影响概率的研究由于参数估计中相对较大的不确定性可能导致鲁棒影响力最大化中的较差性能，而基于信息级联的自适应采样方法可能是提高鲁棒影响力最大化的有效途径。