MIM-Reasoner ist ein neuartiges Framework, das tiefes Reinforcement Learning und probabilistische grafische Modelle nutzt, um die Ausbreitung von Einfluss in Multiplex-Netzwerken zu maximieren, während es theoretische Garantien für die Lösung bietet.
Dieses Papier führt das Problem der Multiplex-Einflussmaximierung ein, bei dem mehrere miteinander verbundene Informationsartikel gleichzeitig in einem sozialen Netzwerk verbreitet werden. Es präsentiert einen Graph-Bayes-Optimierungsrahmen (GBIM), der die kombinatorische Komplexität effektiv navigiert und die heterogenen Ausbreitungsmuster in einem Mehrschichten-Netzwerk modelliert, um den Samenknoten-Satz mit der höchsten beobachteten Leistung zu optimieren.