超参数模型下的鲁棒影响力最大化
机器学习
2019-05-14 v2 机器学习
摘要
本文研究了在超参数假设下独立级联模型中的鲁棒影响力最大化问题。在社交网络中，用户影响并具有相似特征的人，并因此与某些特征相关联。影响力最大化中一个近期兴起的研究方向关注图上的边概率并非任意，而是由用户特征和全局超参数生成的函数。我们提出了一种模型，其目标是在该超参数的任何可能取值下最大化受影响力用户的最坏情况数量。我们提供了理论结果表明我们模型中的适当鲁棒解是 NP-hard 的，并给出了一种实现非适当鲁棒优化的算法。我们利用了基于采样的技术和著名的乘法权重更新算法。此外，我们通过实验验证了我们的方法，并证明它优于最先进的鲁棒影响力最大化技术。
引用
@article{arxiv.1903.03746,
title = {Robust Influence Maximization for Hyperparametric Models},
author = {Dimitris Kalimeris and Gal Kaplun and Yaron Singer},
journal= {arXiv preprint arXiv:1903.03746},
year = {2019}
}