
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.


coremsg

einflussmaximierung-in-multiplex-netzwerken-ein-lernbasierter-ansatz-mit-theoretischen-garantien


Einflussmaximierung in Multiplex-Netzwerken: Ein lernbasierter Ansatz mit theoretischen Garantien


title_rewrite


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.


optimierung-der-multiplen-einflussmaximierung-in-sozialen-netzwerken-durch-graph-bayes-optimierung


Optimierung der multiplen Einflussmaximierung in sozialen Netzwerken durch Graph-Bayes-Optimierung
