SP-GCRL: Framework di IA per la Massimizzazione dell'Influenza su Grafi Sociali Incompleti

I ricercatori hanno introdotto SP-GCRL, un framework di apprendimento per rinforzo contrastivo su grafi consapevole della propagazione sociale, progettato per affrontare la massimizzazione dell'influenza (IM) su grafi sociali incompleti e rumorosi con dinamiche di diffusione non stazionarie. Il framework apprende la selezione end-to-end dei seed in condizioni di osservabilità parziale. Incorpora una funzione di diffusione non lineare per modellare rinforzo, effetti di diminuzione e deriva di probabilità dovuta a esposizioni ripetute. Viste strutturali duali e apprendimento contrastivo producono rappresentazioni dei nodi robuste a archi mancanti e legami deboli. Un surrogato di regressione basato su GAT sostituisce costose metriche strategiche per efficienza. Una Double Deep Q-Network (DDQN) apprende la politica di selezione dei seed. Esperimenti su reti reali mostrano guadagni significativi rispetto a baseline euristiche e basate su apprendimento. L'articolo è disponibile su arXiv con ID 2605.12513.