Influence Maximization with Unknown Individual Effect on General Network

要約

ネットワーク内での情報拡散を最大化するためのシード セットを特定することは非常に重要であり、これは影響最大化 (IM) として知られる概念です。
エレガントな IM アルゴリズムは、ノードの重要性を測定するために、各ノードに個別効果と呼ばれる特定の重みが備わっている場合にも自然に拡張できます。
一般的な文献では、通常、個々の効果はカスケード プロセス中に一定のままであると想定されています。
ただし、各ノードの個々の効果は主にアクティブ化状態と非アクティブ化状態の出力の差によって評価され、これらの状態の 1 つは伝播後に常に観察できないため、この仮定は常に実現可能であるとは限りません。
さらに、個々の効果は、周囲のノードによって提供される環境情報の影響を受けやすくなります。
これらの課題に対処するために、因果関係技術を活用して、動的ノードの個別効果を伴う一般的なネットワークを含むより広範なシナリオに IM の考察を拡張します。
私たちの論文では、Causal Influence Maximization (CauIM) アルゴリズムの開発を通じてこの問題に取り組みます。
理論的には、CauIM について、影響の広がりの一般化された下限を提示し、ロバスト性分析を提供します。
経験的に、私たちは合成実験と現実世界の実験で、CauIM と新しい加速技術の有効性と堅牢性を実証しました。

要約(オリジナル)

The identification of a seed set to maximize information spread in a network is crucial, a concept known as Influence Maximization (IM). Elegant IM algorithms could naturally extend to cases where each node is equipped with specific weight, referred to as individual effect, to measure the node’s importance. Prevailing literature has typically assumed that the individual effect remains constant during the cascade process. However, this assumption is not always feasible, as the individual effect of each node is primarily evaluated by the difference between the outputs in the activated and non-activated states, with one of these states always being unobservable after propagation. Moreover, the individual effect is sensitive to the environmental information provided by surrounding nodes. To address these challenges, we extend the consideration of IM to a broader scenario involving general networks with dynamic node individual effects, leveraging causality techniques. In our paper, we address this through the development of a Causal Influence Maximization (CauIM) algorithm. Theoretically, for CauIM, we present the generalized lower bound of influence spread and provide robustness analysis. Empirically, in synthetic and real-world experiments, we demonstrate the effectiveness and robustness of CauIM, along with a novel acceleration technique.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google