揭示影响最大化中个体收益的环墶敏感性
社会与信息网络
2024-12-11 v3 人工智能
摘要
影响最大化(IM)旨在识别种子集合以最大化网络中的信息传播。优雅的IM算法可自然扩展到每个节点具有特定权重的情形,该权重反映个体收益以衡量节点重要性。现有文献通常假设此类个体收益在级联过程中保持恒定,并可通过基于节点特征和网络拓扑的显式公式求解。然而,该假设并非总是可行,原因有二:1)不可观测性:每个节点的个体收益主要由激活态与非激活态输出之差评估。实践中我们只能观测到其中一种状态,另一种在传播后不可观测。2)环境敏感性:除节点固有属性外,个体收益还对周围节点的激活状态敏感,这在迭代中即使是静态网络拓扑下也是动态的。为应对这些挑战,我们利用因果技术将IM考量扩展至具有动态节点个体收益的更广义场景。本文引入因果影响最大化(CauIM)框架并开发了G-CauIM和A-CauIM两种算法,后者融入了一种新颖的加速技术。理论上,我们建立了影响传播的广义下界并给出鲁棒性分析。实证上,在合成与真实世界实验中,我们证明了算法的有效性与鲁棒性。
引用
@article{arxiv.2301.12226,
title = {Unveiling Environmental Sensitivity of Individual Gains in Influence Maximization},
author = {Xinyan Su and Zhiheng Zhang and Jiyan Qiu},
journal= {arXiv preprint arXiv:2301.12226},
year = {2024}
}