核心概念
MIM-Reasoner는 강화학습과 확률 그래픽 모델을 결합하여 다중 네트워크에서 복잡한 전파 과정을 효과적으로 포착하고, 이론적 보장을 제공하는 새로운 프레임워크이다.
摘要
MIM-Reasoner는 다중 네트워크 영향력 극대화 문제를 해결하기 위한 새로운 프레임워크이다. 이 프레임워크는 두 단계로 구성된다:
- 예산 할당 단계:
- 각 레이어에 대해 병렬로 알고리즘 A를 실행하여 수익과 비용을 계산한다.
- 다중 선택 배낭 문제를 해결하여 각 레이어에 대한 예산을 효과적으로 할당한다.
- 관계 강화학습 최적화 단계:
- 할당된 예산을 기반으로 강화학습 에이전트를 훈련하여 각 레이어에 대한 솔루션을 순차적으로 찾는다.
- 확률 그래픽 모델을 사용하여 이전에 선택된 레이어에 의해 이미 활성화된 노드의 재활성화를 방지한다.
MIM-Reasoner는 이론적 보장을 제공하며, 합성 데이터와 실제 데이터에 대한 실험 결과를 통해 우수한 성능을 입증한다. 특히 대규모 네트워크에서 빠른 추론 시간을 보여준다.
統計資料
각 레이어의 예산 할당 및 수익은 다음과 같습니다:
G1 예산: 1, 수익: 612
G2 예산: 1, 수익: 301
G3 예산: 1, 수익: 219