[论文解读] Adaptive Influence Maximization under General Feedback Models

Guangmo Tong, Ruiqi Wang|arXiv (Cornell University)|Feb 1, 2019

Advanced Bandit Algorithms Research参考文献 17被引用 10

一句话总结

本文提出一种通用反馈模型，用于自适应影响最大化（AIM），其中种子节点在扩散轮次后以固定间隔选择，而非必须在完全终止后。它提出后悔比率（regret ratio）作为关键指标，用于分析等待观测与尽早行动之间的权衡，并首次对非自适应子模设置下的贪心策略进行了近似分析，证明在一般反馈模型下，贪心策略的近似界为 (1−e−1/α(Tg))。

ABSTRACT

Influence maximization is a prototypical problem enabling applications in various domains, and it has been extensively studied in the past decade. The classic influence maximization problem explores the strategies for deploying seed users before the start of the diffusion process such that the total influence can be maximized. In its adaptive version, seed nodes are allowed to be launched in an adaptive manner after observing certain diffusion results. In this paper, we provide a systematic study on the adaptive influence maximization problem, focusing on the algorithmic analysis of the scenarios when it is not adaptive submodular. We introduce the concept of regret ratio which characterizes the key trade-off in designing adaptive seeding strategies, based on which we present the approximation analysis for the well-known greedy policy. In addition, we provide analysis concerning improving the efficiencies and bounding the regret ratio. Finally, we propose several future research directions.

研究动机与目标

• 为解决在一般反馈模型下，当问题不满足自适应子模性时，自适应影响最大化（AIM）理论分析的空白。
• 形式化一种广义反馈模型，以捕捉现实世界中的约束，如固定观测间隔和有限可观测性。
• 引入后悔比率作为性能度量，量化等待更多观测与尽早播种之间的权衡。
• 首次对一般反馈模型下的贪心策略提供近似分析，扩展至自适应子模性假设之外的范围。
• 探讨在复杂观测约束下自适应播种策略的实际影响与未来研究方向。

提出的方法

• 提出一种广义反馈模型，其中每 d 个扩散轮次选择一个种子节点（d ∈ ℤ⁺ ∪ {∞}），推广了 Myopic（d=1）和 Full Adoption（d=∞）模型。
• 引入后悔比率作为观测质量与播种及时性之间权衡的度量，捕捉未等待完全扩散所带来的代价。
• 利用决策树框架分析贪心策略，推导出 (1−e−1/α(Tg))-近似界，其中 α(Tg) 衡量每次观测的影响力增益。
• 将分析应用于非自适应子模设置，扩展至先前研究中常用的自适应子模性假设之外。
• 考虑向批量播种和灵活观测模型的扩展，包括有限观测或基于探测的边观测。
• 将一般反馈建模为从网络状态中可观测边的概率分布，实现灵活且现实的观测建模。

实验结果

研究问题

• RQ1 当问题不满足自适应子模性时，如何对自适应影响最大化中贪心策略的性能进行理论分析？
• RQ2 在自适应播种中，衡量等待更多观测与尽早行动之间权衡的有效指标是什么？
• RQ3 反馈模型的选择（如 d=1 与 d=∞）如何影响影响力传播和贪心播种的性能？
• RQ4 在不满足自适应子模性的通用反馈模型下，能否对贪心策略的近似比进行有界分析？
• RQ5 有限或灵活的观测模型对自适应播种策略及其理论分析有何影响？

主要发现

• 后悔比率作为新度量被引入，捕捉了自适应影响最大化中观测质量与播种及时性之间的根本权衡。
• 本文首次对不满足自适应子模性的通用反馈模型下的贪心策略提供了近似分析，建立了 (1−e−1/α(Tg))-近似界。
• 分析表明，即使问题缺乏自适应子模性，贪心策略仍能保持强劲性能，将贪心方法的适用范围扩展至先前假设之外。
• 实验表明，在大多数设置下，自适应播种策略显著优于非自适应策略，验证了所提模型的实际价值。
• 通用反馈模型能够灵活建模现实世界约束，如固定部署时间表、有限可观测性以及非基于轮次的观测触发机制。
• 该框架推广了先前模型（包括 Myopic 和 Full Adoption 反馈），并可进一步扩展至基于探测或事件驱动的观测机制。