Influence Maximization Meets Efficiency and Effectiveness: A Hop-Based Approach
影响力最大化是一个广泛研究的问题,其目标是在在线社交网络(OSNs)中选择一组初始种子节点,以尽可能广泛地传播影响。然而,它仍然是一个开放的挑战,设计快速,准确的算法,以找到解决方案,在大规模的OSN。先前的基于蒙特卡罗模拟的方法是缓慢的,不可扩展的,而其他启发式算法没有任何理论保证,它们已被证明在相当多的情况下产生差的解决方案。在本文中,我们提出了基于跳的算法,可以很容易地扩展到数百万个节点和数十亿条边。与以前的算法不同,我们提出的基于跳的方法可以提供一定的理论保证。真实OSN数据集的实验结果表明了算法的有效性。
2017-08-04 cs.SI
InfoRL: Interpretable Reinforcement Learning using Information Maximization
IIT Kanpur(印度理工学院坎普尔分校)
强化学习的最新进展已经证明,给定一个环境,如果我们可以访问某种形式的奖励函数(密集,稀疏或从IRL导出),我们可以学习在该环境中执行任务。但大多数算法都专注于学习一个最佳策略来执行给定的一组任务。在本文中,我们专注于一种算法,它不仅学习执行一项任务,而且学习以不同的方式执行同一任务。正如我们所知,当环境足够复杂时,总是存在多种方法来执行任务。我们表明,使用信息最大化的概念,它是可能的学习潜码发现多种方式来执行任何给定的任务在一个环境中。
2019-05-24 cs.AI cs.LG stat.ML
Diffusion Alignment as Variational Expectation-Maximization
KAIST(韩国科学技术院);MongooseAI;Mila - Quebec AI Institute(魁北克人工智能研究所);University of Edinburgh(爱丁堡大学);Mila, Université de Montréal(魁北克大学Mila);Omelet
DAV通过变分期望最大化框架,在文本生成和DNA设计中实现奖励优化与多样性保持。
2026-03-06 cs.LG
When Combinatorial Thompson Sampling meets Approximation Regret
Idemia(亿达美)
研究了近似后悔条件下组合多臂强盗问题的组合Thompson抽样策略。虽然CTS吸引了很多人的兴趣,但它有一个缺点,这是其他常见的CMAB策略在考虑非精确预言时所没有的:对于某些预言,CTS具有较差的近似遗憾(与时间范围$T$线性缩放)[Wang和Chen,2018]。然后,有必要进行研究,以区分CTS可以学习的神谕。该研究由Kong et al. [2021]开始:他们给出了贪婪预言机CTS的一次近似后悔分析,获得了$\mathcal{O}(\log(T)/Δ^2)$阶的上界,其中$Δ$是某个最小奖励差距。在本文中,我们的目标是推动这项研究进一步比简单的情况下,贪婪的甲骨文。我们提供了第一个$\mathcal{O}(\log(T)/Δ)$近似遗憾的上限CTS,在一个特定的条件下获得的近似甲骨文,允许减少到确切的甲骨文分析。因此,我们把这个条件称为REDUCE2EXACT,并观察到它在许多具体的例子中得到满足。此外,它可以扩展到概率触发的武器设置,从而捕获更多的问题,如在线影响最大化。
2023-02-22 cs.LG stat.ML
Analyzing and Bridging the Gap between Maximizing Total Reward and Discounted Reward in Deep Reinforcement Learning
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文针对深度强化学习中总回报与折扣回报目标不一致的问题,理论揭示循环状态下增大折扣因子的局限,并提出修改终止状态值与校准轨迹奖励两种对齐方法。
2025-03-18 cs.LG
Graph-based Reinforcement Learning meets Mixed Integer Programs: An application to 3D robot assembly discovery
Technical University of Darmstadt(达姆施塔特工业大学)
机器人装配发现是一个具有挑战性的问题,生活在资源分配和运动规划的交叉点。我们的目标是将一组预定义的对象组合起来,形成新的东西,同时考虑使用机器人在环执行任务。在这项工作中,我们解决的问题,建立任意的,预定义的目标结构完全从头开始使用一组俄罗斯方块一样的积木和机器人操纵器。我们的新的分层方法的目的是有效地分解成三个可行的水平,相互受益的整体任务。在高层次上,我们运行一个经典的混合整数程序,用于块类型选择和块的最终姿态的全局优化,以重新创建所需的形状。然后利用其输出来有效地指导底层强化学习(RL)策略的探索。这种RL策略从一个灵活的基于图的表示中提取其泛化属性,该表示是通过Q学习学习的,可以通过搜索进行细化。此外,它还考虑了结构稳定性和机器人可行性的必要条件,这些条件在前一层中无法有效反映。最后,抓取和运动规划器将所需的装配命令转换为机器人关节运动。我们展示了我们提出的方法的性能在一组竞争激烈的模拟RAD环境,展示现实世界的传输,并报告性能和鲁棒性增益相比,非结构化的端到端的方法。有关视频,请访问https://sites.google.com/view/rl-meets-milp。
2022-08-02 cs.AI cs.LG cs.RO
Optimizing Backward Policies in GFlowNets via Trajectory Likelihood Maximization
HSE University(高等经济大学);Constructor University(康斯特大学);École polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院);Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);Laboratoire de mathématiques d’Orsay(奥尔赛数学实验室)
针对 GFlowNets 中固定后向策略的限制,提出一种基于熵正则化 MDP 值函数直接最大化的后向策略优化算法,实验证明其在复杂环境中能实现更快收敛和更好的模式发现。
2025-03-03 cs.LG
Online Influence Maximization in Non-Stationary Social Networks
The University of Hong Kong(香港大学);Tsinghua University(清华大学)
社交网络已经成为信息传播的流行平台。一个重要的用例是病毒式营销:在给定推广预算的情况下,广告主可以选择一些有影响力的用户作为种子集,并向他们提供免费或折扣的样品产品;这样,广告主希望通过口碑效应增加产品在用户朋友圈中的知名度,从而最大化产品信息所能到达的用户数量。有大量文献研究了影响力最大化问题。然而,现有的研究大多是一次性的基础上调查的问题,假设固定的已知的影响力概率之间的用户,或确切的社会网络拓扑结构的知识。在实践中,社交网络拓扑和影响概率通常对于广告商是未知的,其可以随时间变化,即,在新建立、加强或削弱社会联系的情况下。在本文中,我们专注于一个动态的非平稳的社会网络和设计的随机算法,RSB,基于多臂强盗优化,最大限度地提高影响力传播随着时间的推移。该算法产生一系列在线决策,并利用先前决策的结果来校准其探索-利用策略。它被严格证明可以达到一个上界的遗憾在奖励和适用于大规模的社交网络。使用合成和真实世界的数据集,这表明我们的算法优于以前的平稳方法在非平稳条件下的实际有效性进行评估。
2016-04-26 cs.DS cs.LG cs.SI
Graph Reinforcement Learning-based CNN Inference Offloading in Dynamic Edge Computing
Aarhus University(奥胡斯大学)
研究了动态多访问边缘计算(MEC)网络中CNN推理的计算卸载问题。为了解决通信时间和边缘服务器可用容量的不确定性,我们使用提前退出机制提前终止计算,以满足推理任务的截止日期。我们设计了一个奖励函数来权衡通信,计算和推理精度,并将CNN推理的卸载问题表示为最大化问题,其目标是最大化长期的平均推理精度和吞吐量。为了解决最大化问题,我们提出了一种基于图强化学习的早期退出机制(GRLE),在不同的动态场景下,该机制的性能优于最先进的工作,基于深度强化学习的在线卸载(DROO)及其增强方法,具有早期退出机制的DROO(DROOE)。实验结果表明,GRLE的平均准确率是图强化学习(GRL)的3.41倍,是DROOE的1.45倍,显示了GRLE在动态MEC卸载决策中的优势。
2022-10-24 cs.AI cs.LG cs.NI
When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning
University of Minnesota(明尼苏达大学);Texas A&M University(德克萨斯农工大学)
针对离线IRL中世界模型误差会放大奖励估计偏差的问题,提出结合保守专家策略与最大似然的双层优化框架,并在MuJoCo和D4RL上显著超越现有基准。
2024-02-28 cs.AI cs.LG
Influence Maximization: Near-Optimal Time Complexity Meets Practical Efficiency
给定一个社交网络G和一个常数k,影响力最大化问题要求G中的k个节点在预定义的扩散模型下(直接和间接)影响最大数量的节点。这个问题在病毒式营销中有着重要的应用,并在文献中得到了广泛的研究。现有的算法影响力最大化,然而,要么贸易近似保证实际效率,反之亦然。特别是,在突出的独立级联(IC)模型或线性阈值(LT)模型下实现常数因子近似的算法中,没有一个可以处理百万节点的图而不产生高昂的开销。本文提出了TIM算法,旨在弥合理论和实践中的影响力最大化。在理论方面,我们证明了TIM在O((k+ \ell)(n+m)\log n / ε^2)期望时间内运行,并以至少1 - n^{- \ell }的概率返回(1-1/e-ε)-近似解。在IC模型下,TIM的时间复杂度接近最优,因为它只比先前工作中建立的Ω(m + n)下限大\log n倍(对于固定的k、\ell和ε)。此外,TIM支持触发模型,这是一个通用的扩散模型,其中包括IC和LT作为特殊情况。在实践方面,TIM采用了新的经验主义,显着提高其经验效率,而不影响其渐近性能。我们用文献中测试过的最大数据集对TIM进行了实验评估,结果表明,它在运行时间上比最先进的解决方案(具有近似保证)高出四个数量级。特别是,当k = 50,ε= 0.2,\ell = 1时,TIM在商品机器上需要不到一个小时来处理具有4160万个节点和14亿条边的网络。
2014-04-30 cs.DB cs.SI
Going viral: Optimizing Discount Allocation in Social Networks for Influence Maximization
本文研究了社交网络中的折扣分配问题。据报道,40%的消费者会与他们的朋友分享电子邮件优惠,28%的消费者会通过社交媒体平台分享交易。这对企业意味着什么?从本质上讲,折扣不应该仅仅被视为吸引个人客户的短期解决方案,相反,将折扣分配给一小部分用户(称为种子用户)可能会在社交网络中引发大规模的级联。这促使我们研究影响力最大化折扣分配问题:给定一个社会网络和预算,我们需要决定用户应该向哪个初始集提供折扣,以及折扣值多少。我们的目标是最大限度地增加最终采用目标产品的客户数量。我们调查这个问题下的非自适应和自适应设置。在第一个设置中,我们必须提前一次性提交种子用户集和相应的折扣。在后一种情况下,决策过程以顺序方式执行,并且被挑选的每个种子用户提供关于折扣的反馈,或者换句话说,揭示她是否将采用折扣。我们提出了一个简单的贪婪策略,在非自适应设置的近似比为$\frac{1}{2}(1 - 1/e)$。对于明显更复杂的自适应设置,我们提出了一个自适应贪婪政策的期望效用有界逼近比。
2016-06-25 cs.GT cs.SI
BCIM: Budget and capacity constrained influence maximization in multilayer networks
针对现有带预算影响最大化问题仅考虑预算约束、适配性不足的问题,提出多层网络下的BCIM问题及MMGA算法,满足双约束且效率更高,传播性能较基线提升至少10%,开辟了影响最大化研究新方向。
2024-10-07 cs.SI
Fractional Budget Allocation for Influence Maximization under General Marketing Strategies
University of Illinois Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对折扣可部分分配且激活概率随折扣仿射变化的影响力最大化问题,本文提出一种 (1-1/e)-近似算法,并在真实社交网络上验证其性能与可扩展性。
2024-07-08 cs.AI cs.DS cs.SI
Adaptive Influence Maximization in Dynamic Social Networks
为了通过社交网络传播信息和思想,种子策略的目的是找到一个小的种子用户,能够最大限度地扩大影响力的传播,这被称为影响力最大化问题。尽管已有大量的研究成果对该问题进行了研究,但现有的播种策略仅限于静态的社交网络。事实上,由于数据传输的高速性和参与者的庞大性,现实世界的社交网络中的扩散过程具有许多方面的不确定性。不幸的是,如实验所示,在这种情况下,最先进的播种策略是悲观的,因为它们无法跟踪社交网络中的动态变化。在本文中,我们研究的策略选择种子用户的自适应方式。我们首先形式化建模的动态独立级联模型,并引入自适应播种策略的概念。然后基于所提出的模型,我们表明,一个简单的贪婪自适应播种策略找到了一个有效的解决方案,可证明的性能保证。除了贪心算法之外,为了满足实际需要,还提出了一种有效的启发式算法。在真实网络和合成幂律网络上进行了大量的实验。本文的结果证明了自适应播种策略优于其他标准方法。
2015-06-20 cs.SI
Influence Maximization in Hypergraphs
复杂网络中的影响力最大化,即,近年来,通过为给定的传播过程选择K个种子节点来最大化受影响节点的大小已经引起了极大的关注。然而,超图中的影响力最大化问题,即利用超边来表示两个以上节点之间的相互作用,仍然是一个悬而未决的问题。本文提出了一种自适应的基于度的启发式算法,即,启发式度折扣(HDD),迭代地选择具有低影响重叠的节点作为种子,以解决超图中的影响力最大化问题。我们进一步扩展算法从普通的网络作为基线,并比较所提出的算法和基线的真实数据和合成超图的性能。结果表明,HDD在有效性和效率方面都优于基线。此外,在合成超图上的实验表明,HDD具有很高的性能,特别是在度分布不均匀的超图上。
2022-06-03 cs.SI
Monotone Submodular Diversity functions for Categorical Vectors with Application to Diversification of Seeds for Targeted Influence Maximization
将多样性嵌入到知识发现任务中对于增强挖掘模式的意义至关重要,这些模式具有与新颖性,偶然性和道德相关的高影响力方面。令人惊讶的是,在社交网络中影响力最大化的经典问题中,相对较少的研究致力于多样性及其融入影响力最大化方法的目标函数。在这项工作中,我们提出了一个边信息为基础的概念,种子多样性的目标函数的目标影响力最大化问题的集成。从假设边信息是在节点级别的分类属性值的一般形式,我们设计了一类单调子模块功能,专门构思用于确定一组分类配置文件内的多样性与种子被发现。这使我们能够开发一种有效的可扩展的近似方法,具有恒定的最优因子保证。更确切地说,我们制定了基于属性的多样性敏感的有针对性的影响力最大化问题下的国家的最先进的反向影响抽样框架,我们开发了一种方法,称为ADITUM,确保(1-1/e-ε)-近似解下的一般触发扩散模型。我们在五个真实世界的网络上对ADITUM进行了实验评估,包括与利用基于数值属性的多样性和拓扑驱动的多样性来实现影响力最大化的方法进行比较。
2019-12-08 cs.DS cs.SI physics.soc-ph
Refutations on "Debunking the Myths of Influence Maximization: An In-Depth Benchmarking Study"
在SIGMOD最近发表的一篇题为“揭穿影响力最大化的神话:深入的基准研究”的论文中,Arora等人[1]对几种知名的影响力最大化算法进行了性能基准研究。在这个过程中,他们反驳了几个已发表的结果,并声称已经挖掘和揭穿了围绕影响力最大化研究存在的几个“神话”。本文的目的是客观地、批判地审视他们的主张,并驳斥错误的主张。我们的调查发现,首先,Arora等人[1]的整体实验方法是有缺陷的,并导致科学上不正确的结论。其次,论文[1]充斥着各种影响力最大化算法的问题,包括错误的实验,并得出了许多关于这些算法的误导性结论。重要的是,他们没有意识到运行时间和解决方案质量之间的权衡,并且没有将其正确地纳入他们的实验方法中。本文系统地指出了[1]中存在的问题,并驳斥了其中的11个错误论断。
2017-06-09 cs.SI
Neighborhood Matters: Influence Maximization in Social Networks with Limited Access
影响力最大化(IM)旨在通过向有影响力的用户提供折扣(称为播种)来最大化影响力的传播。在许多应用中,由于用户的隐私问题、庞大的网络规模等,很难如人们所希望的那样将网络中的任何用户作为目标。相反,只有一小部分用户最初是可访问的。这种访问限制将显著地损害影响传播,因为IM通常依赖于播种高程度用户,由于社交网络的幂律结构,这在这样的小子集中是特别罕见的。在本文中,我们试图解决有限的IM在现实世界的场景中的自适应方法与播种和扩散的不确定性考虑。具体来说,我们考虑细粒度的折扣,并假设用户接受概率折扣。扩散过程用独立级联模型描述。为了克服访问限制,我们证明了集明智的友谊悖论(FP)的现象,邻居有更高的程度的期望,并提出了一个两阶段的播种模型与FP嵌入,其中邻居被播种。在此基础上,为了比较,我们制定了非自适应的情况下,自适应的情况下,都被证明是NP-困难的。在非自适应情况下,折扣一次性分配给所有用户。我们显示的单调性的影响蔓延w.r.t.设计了一个两阶段的协调下降框架来确定折扣分配。在自适应的情况下,用户顺序播种现有的播种和扩散结果的观察的基础上。我们分两个阶段证明了影响扩散函数的自适应子模性和子模性。在此基础上,提出了一系列具有常数逼近比的自适应贪心算法。
2020-10-03 cs.DM cs.DS cs.SI
When Social Influence Meets Item Inference
用于产品推荐和病毒式营销的研究问题和数据采掘技术已经被广泛研究。现有的社交网络中的种子选择工作没有考虑电子商务商店中的产品推荐的效果。在本文中,我们研究的种子选择问题的病毒式营销,同时考虑社会影响力和项目推理(产品推荐)的影响。我们开发了一个新的模型,社会项目图(SIG),捕捉这两种效果的形式hyperedges。相应地,我们制定了一个种子选择问题,称为社会项目最大化问题(SIMP),并证明了SIMP的硬度。我们设计了一个高效的算法,称为Hyperedge-Aware Greedy(HAG)的性能保证,为SIMP和开发一个新的索引结构,称为SIG-索引,以加速计算的扩散过程中的HAG。此外,为了构建现实的SIG模型SIMP,我们开发了一个基于统计推断的框架,从数据中学习超边的权重。最后,我们对我们的提案进行了全面评估,并采用了各种基线。实验结果验证了我们的想法,并证明了所提出的模型和算法的有效性和效率超过基线。
2016-02-15 cs.SI
Finding events in temporal networks: Segmentation meets densest-subgraph discovery
在本文中,我们研究的问题,发现一个时间轴的时间网络中的事件。我们将事件建模为在网络活动间隔内发生的密集子图。我们制定的事件发现任务作为一个优化问题,在这里我们搜索的网络时间轴的分区为k个不重叠的间隔,使间隔跨越子图的最大总密度。输出是一系列密集的子图以及相应的时间间隔,捕获网络生命周期中最有趣的事件。我们的优化问题的一个简单的解决方案具有多项式,但运行时间复杂度高得惊人。我们适应现有的最新工作动态稠密子图发现和近似动态规划设计一个快速的近似算法。接下来,为了确保更丰富的结构,我们调整了问题的制定,以鼓励覆盖更大的节点集。这个问题即使对于静态图也是NP难的。然而,在静态图上,由于子模块性,简单的贪心算法会导致近似解。我们将这种贪婪方法扩展到时间网络的情况。然而,近似保证并不成立。然而,根据实验,该算法找到了良好的质量的解决方案。
2018-09-13 cs.DS cs.SI
A Study on Modularity Density Maximization: Column Generation Acceleration and Computational Complexity Analysis
本研究针对模块度密度最大化问题,通过将列生成辅助问题转化为稠密子图问题并结合贪心剥离与0--1线性规划重构实现加速,同时证明了相关问题的NP难性,通过真实网络实验验证了算法有效性。
2022-06-22 cs.DM cs.DS cs.SI
CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown Social Networks
Singapore Management University(新加坡管理大学)
影响力最大化是在网络中找到一个可以最大化信息扩散的节点子集的问题。最近,它还被应用于艾滋病毒预防、药物滥用预防、小额信贷采用等,其中目标是识别现实世界物理社交网络中能够向一大群人传播信息的对等领导者的集合。与在线社交网络不同,真实世界的网络并不完全已知,并且收集关于网络的信息是昂贵的,因为它涉及调查多个人。在本文中,我们专注于这个问题的网络发现影响力最大化。在这个方向上的现有工作提出了一个强化学习框架。由于现实世界中的环境交互是昂贵的,因此强化学习算法具有最小可能的环境交互,即样本效率是重要的。在这项工作中,我们提出了索赔-课程学习政策的影响力最大化,以提高样本效率的RL方法。我们在真实世界的数据集上进行了实验,并表明我们的方法可以优于目前最好的方法。
2021-07-08 cs.AI cs.SI
Stochastic Blockmodels meet Graph Neural Networks
Duke University(杜克大学);IIT Kanpur(印度理工学院坎普尔分校)
随机块模型(SBM)及其变体$e.g.$,混合隶属度和重叠随机块模型,是基于潜在变量的图的生成模型。他们已经被证明是成功的各种任务,如发现社区结构和链接预测的图形结构的数据。最近,图神经网络,$e.g.$,图卷积网络,也已经出现作为一个有前途的方法来学习强大的表示(嵌入)的图中的节点,通过利用图形属性,如局部性和不变性。在这项工作中,我们统一了这两个方向,开发一个\emph{sparse}变分自编码器的图形,保留了SBM的可解释性,同时也享有良好的预测性能的图形神经网络。此外,我们的框架还伴随着一个快速识别模型,该模型可以快速推断节点嵌入(这对于SBM及其变体的推断具有独立的意义)。虽然我们开发了一个特定类型的SBM,即\emph{overlapping}随机块模型的框架,所提出的框架可以很容易地适应其他类型的SBM。多个基准测试的实验结果表明,在学习可用于社区发现的可解释潜在结构的同时,在链接预测方面取得了令人鼓舞的结果。
2019-05-14 cs.LG cs.SI stat.ML
On a Centrality Maximization Game
Bonacich中心性是衡量网络中节点相对重要性的一个著名指标。例如,这个概念是Google PageRank算法的核心。在本文中,我们研究了一个网络形成游戏,每个玩家对应于网络中的一个节点形成,可以决定如何重新布线他的m个外链接,旨在最大限度地提高自己的Bonacich中心,这是他的效用函数。我们研究了纳什均衡(NE)和最佳反应动力学的这个游戏,我们提供了一个完整的分类时,m=1和相当完整的分类时,m=2的NE。我们的分析表明,由每个节点执行的中心性最大化倾向于创建无向和断开或松散连接的网络,即2-团(m=1)和环或特殊的“蝴蝶”形图(m=2)。我们的研究结果建立在局部性的最佳反应函数在这样的游戏,我们形式化和证明的文件。
2020-05-06 cs.SI cs.SY eess.SY
Adaptive Influence Maximization in Social Networks: Why Commit when You can Adapt?
以前大多数关于社交网络中影响力最大化的工作都局限于非自适应设置,在这种设置中,营销人员应该选择所有的种子用户,预先提供免费样品或折扣。这种设置的缺点在于,营销者被迫仅基于扩散模型来选择所有种子。如果某些选定的种子表现不佳,则没有机会进行课程校正。一个更实际的设置是自适应设置,其中营销人员最初选择一批用户,并观察这些用户的播种如何导致产品采用的扩散。根据市场反馈,她制定了选择剩余种子的政策。在本文中,我们研究了两个问题的自适应离线策略:(a)MAXSPREAD -给定种子数量和时间范围的预算,最大限度地扩大影响力和(b)MINTSS -给定时间范围和预期数量的目标用户受到影响,最小化所需的种子数量。特别是,我们提出了自适应策略的理论界限和实证结果,并量化其实际效益的非自适应策略。我们评估自适应和非自适应政策的三个真实的数据集。我们的结论是,虽然去适应MAXSPREAD问题的好处是适度的,自适应的政策导致显着节省的MINTSS问题。
2016-04-27 cs.SI
Walk modularity and community structure in networks
在过去的十年中,模块化最大化一直是发现生物学、计算、社会科学、统计力学等领域中具有实际意义的网络社区结构的最广泛使用的方法之一。模块性是一个质量函数,它测量聚类中发现的边缘数量减去基于随机机会统计期望找到的边缘数量之间的差异。我们提出了一个自然的泛化模块化的基础上的差异,实际和预期的数量之间的步行集群,我们称之为步行模块化。步行模块化可以用矩阵形式表示,社区检测可以通过寻找步行模块化矩阵的前导特征向量来执行。我们在合成网络和真实网络上演示了社区检测,发现与传统的模块化最大化相比,步行模块化最大化返回了显着改善的结果。
2014-01-27 cs.SI physics.data-an physics.soc-ph
Many-Objective Evolutionary Influence Maximization: Balancing Spread, Budget, Fairness, and Time
University of Trento(特伦托大学)
本文提出基于NSGA-II的多目标进化算法MOEIM,在图感知算子和智能初始化支持下,同时优化影响力、种子集大小、预算、公平性、社区和时间,实验证明其在多数多目标设置中优于现有方法。
2024-03-28 cs.AI cs.NE cs.SI