干货！网络推断与数据驱动的影响力最大化问题

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

影响力最大化是指在社交网络中选择少量种子节点，以最大限度地扩大这些种子的影响力，这在过去二十年中已经得到了广泛的研究。在规范环境中，整个社会网络及其扩散参数被作为输入。在本文中，我们考虑更现实的采样设置，其中网络是未知的，并且我们只有一组被动观察级联，记录在每个扩散步骤的激活节点集。我们研究了这些级联样本（IMS）的影响最大化任务，并在种子集分布的温和条件下给出了该任务的常数近似算法。为了达到优化目标，我们还提出了一种新的网络推理方法，即从级联数据中学习扩散参数和网络结构。与以前的解决方案相比，我们的网络推理算法需要较弱的假设，并且不依赖于最大似然估计和凸规划。我们的IMS算法通过允许一个恒定的近似比（即使在扩散参数难以学习时）来增强学习和优化方法，并且我们不需要任何与网络结构或扩散参数相关的假设。

本期AI TIME PhD直播间我们邀请到中科院博士生——张智杰，为我们带来报告分享《网络推断与数据驱动的影响力最大化问题》。