PulseAugur
中
实时 15:26:21
English(EN) SP-GCRL: Influence Maximization on Incomplete Social Graphs

新框架增强了不完整社交图上的影响力最大化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出 SP-GCRL，一个旨在解决数据不完整的社交网络中影响力最大化挑战的新框架。该系统采用一种社交传播感知的扩散函数来模拟复杂的用户交互，并使用对比学习来生成鲁棒的节点表示，即使在连接缺失的情况下也是如此。通过整合图注意力网络进行高效的代理指标计算，并采用 DDQN 进行策略学习，SP-GCRL 在真实网络上的表现显著优于现有方法。 AI

排序理由 该集群包含一篇在 arXiv 上发表的研究论文，详细介绍了影响力最大化的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Haohua Niu, Yuxuan Yang, Lingfeng Zhang, Hao Li, Jiao Liang, Zongfu Luo, Luca Rossi ·

    SP-GCRL: Influence Maximization on Incomplete Social Graphs

    arXiv:2605.12513v2 Announce Type: replace-cross Abstract: Influence maximization (IM) in real platforms is challenged by incomplete, noisy social graphs and non-stationary diffusion dynamics. We propose SP-GCRL, a social-propagation-aware graph contrastive reinforcement learning …

相关实体

相关话题