English(EN) Graph Neural Networks for Influence Maximization in Social Networks: An Unsupervised Minimum Dominating Set Approach

图神经网络为社交网络影响力最大化提供无监督解决方案

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

研究人员开发了一个新的无监督图神经网络（GNN）框架，以解决最小支配集（MDS）问题，这对于社交网络中的影响力最大化至关重要。这种新颖的方法在训练过程中无需真实标签解，从而提高了效率。在合成图上训练时，与现有方法相比，GNN实现了显著更快的推理速度，并在真实社交网络基准测试中表现出色，表明其在大规模分析中的实际应用潜力。 AI

影响为识别社交网络中的有影响力节点提供了一种更有效的方法，有望改进病毒式营销和公共卫生干预等应用。

排序理由学术论文，详细介绍了使用图神经网络解决组合优化问题的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了使用图神经网络解决组合优化问题的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Erfan Ahmadi, Mina Shirazi, Behnam Bahrak · 2026-09-15 04:00

用于社交网络中影响力最大化的图神经网络：一种无监督最小支配集方法

arXiv:2609.13836v1 Announce Type: new Abstract: The Minimum Dominating Set (MDS) problem is a classic NP-hard combinatorial optimization problem with critical applications in social network analysis, including viral marketing, influence maximization, public health interventions, …

本文如何被排名

报道来源 [1]

用于社交网络中影响力最大化的图神经网络：一种无监督最小支配集方法

相关实体

相关话题