Many-Objective Evolutionary Influence Maximization: Balancing Spread, Budget, Fairness, and Time

要約

影響最大化 (IM) 問題は、情報の伝播を最大限に拡散できるグラフ内のノードのセットを発見しようとします。
この問題は NP 困難であることが知られており、通常は影響 (広がり) を最大化し、必要に応じてシード セット サイズの最小化や影響の公平性の最大化などの 2 番目の目的を最適化することによって研究されます。
ただし、多くの実際のシナリオでは、IM 問題の複数の側面を同時に最適化する必要があります。
この作業では、影響力の最大化とシード セット サイズの最小化に加えて、IM 固有のいくつかの目的関数、つまり予算、公平性、コミュニティ、時間を最適化する最初のケース スタディを提案します。
この目的のために、グラフ認識演算子とスマート初期化を組み込んだ NSGA-II に基づく多目的進化アルゴリズム (MOEA) である MOEIM (影響最大化のための多目的進化アルゴリズム) を導入します。
合計 9 つのグラフ データセット、2 つのヒューリスティック手法、関連する MOEA、最先端の深層学習アプローチを含む 2 つの実験設定で MOEIM を比較します。
実験では、テストされた多くの目的の設定のほとんどにおいて、MOEIM が総合的に競合他社よりも優れていることがわかりました。
結論として、目的間の相関関係も調査し、このトピックに対する新たな洞察につながります。
コードベースは https://github.com/eliacunegatti/MOEIM で入手できます。

要約(オリジナル)

The Influence Maximization (IM) problem seeks to discover the set of nodes in a graph that can spread the information propagation at most. This problem is known to be NP-hard, and it is usually studied by maximizing the influence (spread) and, optionally, optimizing a second objective, such as minimizing the seed set size or maximizing the influence fairness. However, in many practical scenarios multiple aspects of the IM problem must be optimized at the same time. In this work, we propose a first case study where several IM-specific objective functions, namely budget, fairness, communities, and time, are optimized on top of the maximization of influence and minimization of the seed set size. To this aim, we introduce MOEIM (Many-Objective Evolutionary Algorithm for Influence Maximization) a Multi-Objective Evolutionary Algorithm (MOEA) based on NSGA-II incorporating graph-aware operators and a smart initialization. We compare MOEIM in two experimental settings, including a total of nine graph datasets, two heuristic methods, a related MOEA, and a state-of-the-art Deep Learning approach. The experiments show that MOEIM overall outperforms the competitors in most of the tested many-objective settings. To conclude, we also investigate the correlation between the objectives, leading to novel insights into the topic. The codebase is available at https://github.com/eliacunegatti/MOEIM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google