Fast and Error-Adaptive Influence Maximization based on Count-Distinct Sketches
影响力最大化(IM)是在给定的扩散模型下找到最大化受影响顶点的期望数量的种子顶点集的问题。由于寻找最优种子集的NP困难性,近似算法经常用于IM。在这项工作中,我们描述了一种快速,错误自适应的方法,利用计数-不同的草图和基于哈希的融合采样。为了估计整个扩散中受影响的顶点的数量,我们使用逐顶点Flajolet-Martin草图,其中每个草图对应于一个采样子图。为了有效地模拟扩散,单个顶点的到达集基数以连续的方式存储在内存中。这使得所提出的算法估计的影响顶点的数量在一个单步的模拟一次。对于更快的IM内核,我们只有在观察到超过给定阈值的估计误差后才并行重建草图。我们的实验结果表明,该算法产生高质量的种子集,而高达119倍的速度比最先进的近似算法。此外,它比基于草图的方法快62倍,同时产生的种子集的影响力分数提高了3%-12%
2021-05-09 cs.DS cs.SI
Adaptive Greedy versus Non-adaptive Greedy for Influence Maximization
我们考虑 * 自适应影响力最大化问题 *:给定网络和预算$k$,迭代地选择网络中的$k$种子,以最大化采用者的预期数量。在“完全采纳反馈模型”中,在选择了每个种子之后,种子采摘者观察所有最终的采纳。在近视反馈模型中,种子选择者只观察所选种子的每个邻居是否采用。基于贪婪算法/算法学在影响力最大化方面取得的巨大成功,我们提出了 * 贪婪自适应间隙 * 的概念,将自适应贪心算法的性能与非自适应算法进行了比较。我们的第一个结果表明,子模块化的影响力最大化化,自适应贪婪算法可以执行$(1-1/e)$ -分数比非自适应贪心算法,这个比例是紧。更具体地说,一方面,我们提供的例子中,自适应贪婪算法的性能只是一个$(1-1/e)$分数的非自适应贪心算法的性能在四个设置:两个反馈模型和 * 独立级联模型 * 和 * 线性阈值模型 *。另一方面,我们证明了在任何子模块级联,自适应贪心算法总是输出一个$(1-1/e)$ -近似的预期数量的采用在最佳的非自适应种子选择。我们的第二个结果表明,对于具有全采纳反馈的一般子模扩散模型,自适应贪心算法可以以一个无界因子优于非自适应贪心算法。最后,我们提出了一个无风险的自适应贪心算法的变种,总是表现不差于非自适应贪心算法。
2022-06-14 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
No Time to Observe: Adaptive Influence Maximization with Partial Feedback
虽然影响力最大化问题在过去的十年中得到了广泛的研究,大多数现有的工作采用以下模型之一:\emph{full-feedback model}或\emph{zero-feedback model}。在零反馈模型中,我们必须提前一次性提交所有的种子用户,这种策略也被称为非自适应策略。在全反馈模型中,我们一次选择一个种子,等到扩散完成后再选择下一个种子。全反馈模型具有更好的性能,但潜在的巨大延迟,零反馈模型具有零延迟,但性能较差,因为它没有利用在播种过程中可能进行的观察。为了填补这两个模型之间的差距,我们提出了\emph{Partial-feedback Model},它允许我们选择一个种子在任何中间阶段。我们开发了两个新的贪婪的政策,第一次,实现有界的近似比下均匀和非均匀的成本设置。
2019-04-21 cs.SI
Adaptive Influence Maximization under General Feedback Models
影响力最大化是一个典型的问题,使应用程序在各个领域,并在过去的十年中得到了广泛的研究。经典的影响力最大化问题探讨了在扩散过程开始之前部署种子用户的策略,以使总影响力最大化。在其自适应版本中,允许种子节点在观察到某些扩散结果后以自适应方式启动。本文对自适应影响力最大化问题进行了系统的研究,重点分析了非自适应子模化情形下的算法。我们引入了后悔率的概念,它表征了自适应播种策略设计中的关键权衡,在此基础上,我们提出了著名的贪婪政策的近似分析。此外,我们提供了有关提高效率和限制后悔率的分析。最后,我们提出了几个未来的研究方向。
2019-04-12 cs.SI
Multi-Round Influence Maximization
在本文中,我们研究了多轮影响力最大化(MRIM)问题,其中影响力在多轮中独立地从可能不同的种子集传播,目标是为每轮选择种子,以最大化在至少一轮中被激活的节点的预期数量。MRIM问题模拟了病毒式营销场景,在这种场景中,广告商进行多轮病毒式营销来推广一种产品。我们考虑两种不同的设置:1)非自适应MRIM,其中广告商需要在一开始就确定所有轮次的种子集,以及2)自适应MRIM,其中广告商可以基于前几轮中的传播结果自适应地选择种子集。对于非自适应设置,我们设计了两个算法,表现出一个有趣的效率和有效性之间的权衡:一个跨轮贪心算法,在全球范围内选择种子,实现$1/2 - \varepsilon$近似比,和一个轮内的贪心算法,选择种子轮,实现$1-e^{-(1-1/e)}-\varepsilon \approx 0.46 - \varepsilon$近似比,但节省运行时间的一个因素有关的轮数。对于自适应设置,我们设计了一个自适应算法,保证$1-e^{-(1-1/e)}-\varepsilon$逼近自适应最优解。在所有情况下,我们进一步设计可扩展的算法的基础上的反向影响采样方法,并实现近线性的运行时间。我们在几个真实世界的网络上进行实验,并证明我们的算法是有效的MRIM任务。
2019-06-05 cs.SI
Time-constrained Adaptive Influence Maximization
众所周知的影响力最大化问题旨在通过在扩散过程之前选择合适的种子用户来最大化社交网络中的一个信息级联的影响。在其自适应版本中,可以在观察某些扩散结果之后选择额外的种子用户。另一方面,社会计算任务通常是时间关键的,因此只有在早期阶段产生的影响是值得的,这可以通过强制执行时间约束来自然建模。在本文中,我们提出了一个时间约束的自适应影响力最大化问题的分析。我们发现,新的问题是组合从现有的问题不同,目前的技术,如子模块化最大化和自适应子模块化是不幸的不适用。在理论方面,我们提供了计算最优策略的困难结果和自适应间隙的下限。对于实际的解决方案,从基本到高级,我们设计了一系列的播种策略,以实现高效率和可扩展性。最后,我们通过基于真实世界数据集的广泛模拟来研究所提出的解决方案。
2020-03-25 cs.SI
Efficient Approximation Algorithms for Adaptive Target Profit Maximization
给定社交网络$G$,利润最大化(PM)问题要求一组种子节点来最大化利润,即,影响力传播的收益减去种子选择的成本。目标利润最大化(TPM)问题是对PM问题的推广,其目标是从目标用户集合$T$中选择种子节点子集,使利润最大化。现有的PM算法大多考虑非自适应设置,其中所有种子节点在一个批次中被选择,而不知道它们如何影响其他用户。在本文中,我们研究TPM的自适应设置,其中种子用户通过多个批次选择,这样一个批次的选择利用的知识,在以前的批次的实际影响。为了获得全面的理解,我们研究了自适应TPM问题的预言机模型和噪声模型下,并提出ADG和AddATP算法,以解决他们有很强的理论保证,分别。此外,为了更好地处理噪声模型下的采样误差,本文提出了混合误差的思想,并在此基础上设计了一种新的算法HATP,大大提高了AddATP的效率。我们在真实的社交网络上进行了大量的实验来评估性能,实验结果有力地证实了我们的解决方案的优越性和有效性。
2019-10-29 cs.SI
Provably Efficient Reinforcement Learning for Online Adaptive Influence Maximization
Princeton University(普林斯顿大学);LinkedIn(领英);Penn State University(宾夕法尼亚州立大学)
在线影响力最大化是指在网络模型未知的情况下,通过选择少量种子节点,最大化内容在社交网络中的影响力传播。最近的研究遵循非自适应设置,其中在扩散过程开始之前选择种子节点,并且在扩散停止时更新网络参数。我们考虑一个自适应版本的内容相关的在线影响力最大化问题的种子节点被顺序激活的基础上实时反馈。在本文中,我们将该问题表示为线性扩散过程下的无限时域折扣MDP,并提出了一种基于基于模型的强化学习解决方案。我们的算法保持一个网络模型的估计,并自适应地选择种子用户,探索社会网络,同时提高最优策略的乐观。我们建立了算法的$\widetilde O(\sqrt{T})$后悔界。在合成网络上的实验结果验证了算法的有效性。
2022-06-29 cs.LG cs.SI stat.ML
Scalable Methods for Adaptively Seeding a Social Network
本文针对社交网络中影响力受限用户的信息传播问题,提出一种可扩展的自适应播种方法,为线性影响模型开发可并行化的近似算法,实验证明其效果显著优于标准传播方法。
2015-03-05 cs.SI physics.soc-ph
On the Aggression Diffusion Modeling and Minimization in Online Social Networks
在线社交网络中的攻击行为主要是从机器学习的角度来研究的,它在静态环境中检测这种行为。然而,攻击性在网络中扩散的方式很少受到关注,因为它嵌入了建模挑战。事实上,对攻击如何从一个用户传播到另一个用户进行建模是一个重要的研究课题,因为它可以实现有效的攻击监控,特别是在迄今为止应用简单的用户阻止技术的媒体平台中。在本文中,我们解决侵略传播建模和最小化的Twitter上,因为它是一个流行的微博平台,侵略有几个发作。我们提出了不同的方法,建立在两个著名的扩散模型,独立级联(IC)和线性阈值(LT),研究社会网络中的侵略演化。我们的实验研究如何以及每个方法可以使用真实的Twitter数据模型的侵略传播,而不同的参数,如种子用户的选择,图形边缘加权,用户的激活时间等,它被发现,表现最好的策略是选择种子用户与度为基础的方法,加权用户边缘的基础上,他们的社交圈的重叠,并根据他们的侵略程度激活用户。我们进一步采用性能最好的模型来预测哪些普通真实用户在未来可能变得具有攻击性(反之亦然),并在此预测任务中达到AUC=0.89。最后,我们调查侵略最小化通过推出竞争级联“通知”和“治愈”侵略者。我们表明,IC和LT模型可以用于侵略最小化,提供侵入性较低的替代方案,目前流行的在线社交网络平台采用的封锁技术。
2021-08-30 cs.SI physics.soc-ph
Adaptive Influence Maximization with Myopic Feedback
在独立级联模型下研究了具有近视反馈的自适应影响力最大化问题:从社会网络中依次选择k个节点作为种子,每个种子返回其激活的近邻节点作为后续选择的反馈,目标是最大化期望的激活节点数,即影响力扩散.我们发现,自适应差距,最佳的自适应影响扩散和最佳的非自适应影响扩散之间的比率,是最多4和至少e/(e-1),和关于最佳的自适应影响扩散的非自适应贪婪和自适应贪心算法的近似比至少\frac{1}{4}(1 - \frac{1}{e})和最多\frac{e^2 + 1}{(e + 1)^2} < 1 - \frac{1}{e}。此外,非自适应贪心算法的近似比不差的自适应贪心算法,考虑所有的图形。我们的结果证实了Golovin和Krause(2011)关于近视反馈下自适应贪婪的常数近似比的长期公开猜想,并且它也表明自适应贪婪在近视反馈下可能不会带来太多好处。
2019-05-28 cs.SI
Influence Minimization via Blocking Strategies
针对网络中阻断节点或边以最小化种子影响传播的问题,提出融合支配者树的图采样贪心算法 AdvancedGreedy,在 LT 模型下具备近似保证,并较现有方法提速三个数量级。
2024-12-05 cs.DB cs.SI
Efficient Approximation Algorithms for Adaptive Influence Maximization
给定社交网络$G$和整数$k$,影响力最大化(IM)问题要求来自$G$的$k$节点的种子集$S$,以最大化经由传播模型受影响的节点的期望数量。大多数IM问题的现有算法仅在非自适应设置下开发,即,其中所有$k$种子节点在一个批次中被选择,而不观察它们如何影响现实世界中的其他用户。本文研究了自适应IM问题,在该问题中,$k$的种子节点是在等大小的$b$中分批选取的,使得在观察前$i-1$批次的实际影响结果后,识别出第$i$批次.在本文中,我们提出了第一个实用的算法,自适应IM问题,可以提供最坏情况下的近似保证$1-\mathrm{e}^{ρ_b(\varepsilon-1)}$,其中$ρ_b=1-(1-1/b)^b$和$\varepsilon \in (0, 1)$是一个用户指定的参数。特别是,我们提出了一个通用的框架AdaptGreedy,可以实例化的任何现有的非自适应IM算法与预期的近似保证。我们的方法是基于一种新的随机化的政策,适用于一般的自适应随机最大化问题,这可能是独立的利益。此外,我们提出了一种新的非自适应IM算法称为EPIC,它不仅提供了强大的预期近似保证,但也提出了优越的性能相比,现有的IM算法。同时,我们澄清了一些存在的误解,在最近的工作和自适应IM问题的进一步研究的启示。在真实的社交网络上进行了实验,对算法进行了全面的评估,实验结果有力地证实了算法的优越性和有效性。
2020-04-14 cs.SI
JECHO: Scalable Echo Chamber Detection via Jaccard-based Homophily and Seed Expansion
The Australian National University(澳大利亚国立大学);Intesa Sanpaolo(圣保罗银行);Intesa Sanpaolo AI Research(圣保罗银行人工智能研究)
本研究针对回音室检测缺乏严谨算法基础的问题,提出基于Jaccard同质性与种子扩展的JECHO算法,可高效检测结构孤立的回音室,性能优于现有最优方法且运行时间大幅缩短。
2026-08-25 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
Influence maximization in multilayer networks based on adaptive coupling degree
针对多层网络中的影响力最大化问题,提出独立级联模型MIC和自适应耦合度算法ACD,选择高传播影响力且低重叠度的种子节点,在合成和真实多层网络上优于基线。
2023-11-15 cs.SI physics.soc-ph
Adaptive Multi-Feature Budgeted Profit Maximization in Social Networks
针对社交网络中产品多特征独立传播的现实场景,提出自适应多特征预算利润最大化问题,在预言机与噪声模型下分别设计近似策略,实验验证其高效性。
2022-03-11 cs.SI
Election Manipulation on Social Networks: Seeding, Edge Removal, Edge Addition
Politecnico di Milano(米兰理工大学);Università degli Studi di Salerno(萨勒诺大学)
我们专注于通过社会影响力的选举操纵问题,操纵者利用社交网络使她最喜欢的候选人赢得选举。影响是由于有利于和/或反对一个或多个候选人的信息,由种子发送并根据独立级联模型在网络中传播。我们对选举控制问题进行了全面的研究,调查了两种形式的操纵:在给定的社交网络中播种以购买影响者,以及在给定种子和发送的信息的社交网络中删除或添加边缘。特别是,我们研究了广泛的情况下区分候选人的数量或在网络上传播的信息的种类。我们的主要结果是积极的民主,它表明,选举操纵问题是负担不起的最坏的情况下,除了微不足道的类的情况下,即使当一个接受近似的胜利幅度。在播种的情况下,我们还表明,操作是困难的,即使图形是一条线,一个大类的算法,包括最近采用的社会影响问题的方法,未能计算有界近似,即使在基本网络,无向图与每个节点有一个度最多两个或有向树。在边缘去除或添加的情况下,我们的硬度结果也适用于社会影响力最大化/最小化的基本情况。相比之下,即使操纵者有无限的预算,允许删除或添加任意数量的边缘,选举操纵的难度也会保持不变。
2020-02-27 cs.AI cs.SI
Adaptive Differentially Private Structural Entropy Minimization for Unsupervised Social Event Detection
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Beihang University(北京航空航天大学);Hong Kong University of Science and Technology(香港科技大学);Beijing University of Posts and Telecommunications(北京邮电大学);North China Electric Power University(华北电力大学);Beijing Institute of Technology(北京理工大学)
提出无监督且隐私优先的社交事件检测框架ADP-SEMEvent,通过自适应差分隐私构建消息图并利用基于最优子图的2维结构熵最小化算法进行事件检测,在保护隐私的同时实现了与最先进方法相当的检测性能。
2024-07-23 cs.AI cs.SI
Better Bounds on the Adaptivity Gap of Influence Maximization under Full-adoption Feedback
Gran Sasso Science Institute(格兰萨索科学研究所)
在影响力最大化(IM)问题中,我们给定一个社交网络和一个预算$k$,我们在网络中寻找一组称为种子的$k$节点,根据影响力扩散的随机模型,这些节点最大化由种子产生的影响力级联所到达的预期节点数量。在本文中,我们研究的自适应IM,其中的节点被依次选择一个接一个,并决定$i$第th种子可以基于所观察到的级联所产生的第一个$i-1$种子。我们专注于全面采用反馈,我们可以观察到整个级联的每个先前选择的种子和独立的级联模型,其中每个边缘与一个独立的概率扩散的影响。我们的主要结果是第一次线性上界,持有任何图。具体来说,我们表明,自适应差距是上限由$\lceil n^{1/3}\rceil $,其中$n$是在图中的节点数。此外,我们改进了已知的上界为in-arborescences从$\frac{2e}{e-1}\approx 3.16$到$\frac{2e^2}{e^2-1}\approx 2.31$。最后,我们研究了$α$ -有界图,这是一类无向图,其中大于2的节点度之和至多为$α$,并证明了适应性间隙的上界为$\sqrtα+O(1)$。此外,我们证明了在0-有界图,即无向图,其中每个连通组件是一个路径或一个循环,适应性差距是最多$\frac{3e^3}{e^3-1}\approx 3.16$。为了证明我们的界限,我们引入了新的技术,将自适应政策与非自适应政策联系起来,这可能是他们自己的兴趣所…
2020-06-27 cs.LG cs.SI