鲁本·贝克尔;吉安洛伦佐·D’Angelo;萨贾德·戈巴迪;雨果·吉尔伯特 通过随机化实现影响力最大化的公平性。 （英文） Zbl 07527550号 J.阿蒂夫。智力。研究（JAIR） 73, 1251-1283 (2022). 摘要：影响力最大化范式已被各个领域的研究人员用于研究信息在社交网络中的传播方式。虽然以前的注意力主要集中在效率上，但最近在这一范围内考虑了公平问题。在本文中，我们建议使用随机化作为实现公平的手段。虽然这一总体想法并不新鲜，但尚未应用于这一领域。类似于以前的作品，如B.鱼类等【“社交网络中信息获取的差距？”，摘自：《全球网络会议论文集》，WWW’19。纽约州纽约市：ACM。480–490 (2019;doi:10.1145/3308558.3313680)]和A.Tsang（曾荫权）等【“影响力最大化中的群体公平性”，载于：第28届国际人工智能联合会议论文集，IJCAI’19。加利福尼亚州帕洛阿尔托：AAAI出版社。5997–6005（2019）]我们研究了（群体）公平的maximin准则。然而，与他们的工作相反，我们以这样一种方式对问题进行建模，即在选择种子集时，概率策略是可能的，而不仅仅是确定性策略。我们介绍了这个概率问题的两个不同变体，一个涉及节点上的概率策略（基于节点的问题），另一个涉及到节点集上的概率战略（基于集的问题）。在分析了两个概率问题之间的关系后，我们表明，虽然原始的确定性极大极小问题是不可逼近的，但这两个概率变量都允许近似算法实现恒定的乘法因子\（1-1/e\）减去由于模拟信息传播而产生的附加任意小误差。对于基于节点的问题，可以通过观察多项式规模的线性程序很好地逼近问题来实现近似。对于基于集合的问题，我们证明了乘法加权例程可以得到近似结果。对于实验研究，我们为基于集合和基于节点的问题提供了乘法权重例程的实现，并将所获得的公平性值与现有方法进行了比较。也许不足为奇的是，我们证明了计算出的概率策略的事前值，即个人（或群体）获取信息的最小期望值，明显大于以前方法的（事后）公平值。这表明通过随机化研究公平性是一条值得遵循的路径。有趣的是，也许更令人惊讶的是，我们观察到，即使是事后公平值，即根据我们的例程计算的概率策略采样的集的公平值，也会在许多测试实例上支配以前方法实现的公平性。 引用于2文件 MSC公司： 68泰克 人工智能 软件：SNAP（快照）;NetworkX公司 PDF格式BibTeX公司 XML格式引用 \textit{R.Becker}等人，J.Artif。智力。研究（JAIR）73，1251--1283（2022；Zbl 07527550） 全文： 内政部 arXiv公司 参考文献： [1] Ageev，A.A.和Svirinko，M.（2004年）。Pipage舍入：一种构造算法的新方法，具有经验证的性能保证。J.库姆。最佳。，8(3), 307-328. ·Zbl 1084.90029号 [2] Agrawal，S.、Ding，Y.、Saberi，A.和Ye，Y.（2010年）。相关稳健随机优化。第二十届ACM-SIAM离散算法年会论文集， [3] Albert，R.和Barabási，A.-L.（2002）。复杂网络的统计力学。《现代物理学评论》，74（1），47-97·Zbl 1205.82086号 [4] Ali，J.、Babaei，M.、Chakraborty，A.、Mirzasoleiman，B.、Gummadi，K.P.和Singla，A.（2019年）。论社交网络中时间临界影响最大化的公平性。arXiv预印本 [5] Aziz，H.（2019）。投票、分配、匹配和联盟形成的概率方法。《经济设计的未来》，第45-50页。斯普林格。 [6] Aziz，H.、Brandt，F.和Stursberg，P.（2013）。关于流行的随机分配。在算法博弈论国际研讨会上，第183-194页。斯普林格·Zbl 1319.91099号 [7] Aziz，H.、Luo，P.和Rizkallah，C.（2018年）。等级最大相等贡献：一个概率社会选择函数。第三十二届AAAI人工智能会议。 [8] Banerjee，A.、Chandrasekhar，A.G.、Duflo，E.和Jackson，M.O.（2013年）。小额信贷的传播。《科学》，341（6144），1236498。 [9] Becker，R.、Coró，F.、D'Angelo，G.和Gilbert，H.（2020年）。平衡社交网络中的影响力传播。在第三十四届AAAI人工智能大会上，AAAI 2020，The [10] Becker，R.、D'Angelo，G.、Ghobadi，S.和Gilbert，H.（2021）。通过随机化实现影响力最大化的公平性。第三十五届人工智能会议 [11] Bogomolnaia，A.和Moulin，H.（2001）。随机分配问题的一种新的解决方案。《经济理论杂志》，100（2），295-328·Zbl 1134.91357号 [12] Borgatti，S.P.和Everett，M.G.（2000年）。核心/外围结构模型。社会网络，21（4），375-395。 [13] Borgs，C.、Brautbar，M.、Chayes，J.T.和Lucier，B.（2014）。在几乎最佳的时间内最大化社会影响。第二十五届ACM-SIAM离散型研讨会论文集·Zbl 1420.68248号 [14] Borodin，A.、Braverman，M.、Lucier，B.和Oren，J.（2017年）。网络竞争影响力的战略防范机制。《算法》，78（2），425-452·Zbl 1367.91154号 [15] Brandl，F.、Brandt，F.和Seedig，H.G.（2016）。一致的概率社会选择。《计量经济学》，84（5），1839-1880·Zbl 1420.91054号 [16] Brandt，F.（2019）。集体选择彩票。《经济设计的未来》，第51-56页。斯普林格。 [17] Budak，C.、Agrawal，D.和El Abbadi，A.（2011年）。限制社交网络中错误信息的传播。第20届万维网国际会议论文集 [18] Chekuri，C.、Vondrák，J.和Zenklusen，R.（2010年）。通过组合结构的交换特性进行相关随机舍入。第51届IEEE基础年会 [19] Chen，W.，&Teng，S.-H.（2017）。社会影响与网络中心性的互动：shapley中心性与单节点影响中心性的比较研究。在的诉讼中 [20] Chen，Y.、Wang，W.、Feng，J.、Lu，Y.和Gong，X.（2020）。最大化多层社交网络的多重影响和公平种子分配。Plos one，15（3），e0229201。 [21] Cohen，E.、Delling，D.、Pajor，T.和Werneck，R.F.（2014）。基于草图的影响最大化和计算：保证放大。第23届ACM国际会议记录 [22] Farnadi，G.、Babaki，B.和Gendreau，M.（2020年）。公平软件影响最大化的统一框架。InCompanion Proceedings of the Web Conference 2020，第714-722页。 [23] Feige，U.（1998）。近似集合覆盖的信息阈值。美国医学杂志，45（4），634-652·Zbl 1065.68573号 [24] Fish，B.、Bashardoust，A.、Boyd，D.、Friedler，S.、Scheidegger，C.和Venkatasubramanian，S.（2019年）。社交网络中信息获取的差距？。在万维网会议中，pp。 [25] Guimerá，R.、Danon，L.、Díaz-Guilera，A.、Giralt，F.和Arenas，A.（2003）。人类互动网络中的自相似社区结构。体检E，68（6），065103。 [26] Hagberg，A.A.、Schult，D.A.和Swart，P.J.（2008）。使用networkx探索网络结构、动态和功能。Varoquaux，G.、Vaught，T.和Millman，J.（编辑），《 [27] Katta，A.-K.和Sethuraman，J.（2006）。全偏好域上随机分配问题的一种解法。《经济理论杂志》，131（1），231-250·Zbl 1142.90481号 [28] Kempe，D.、Kleinberg，J.M.和Tardos，E。(2015). 《通过社交网络最大限度地扩大影响力》，《计算理论》，第11期，第105-147页·Zbl 1337.91069号 [29] Khajehnejad，M.、Rezaei，A.A.、Babaei，M.，Hoffmann，J.、Jalili，M.和Weller，A.（2020年）。社交网络公平影响最大化的对抗图嵌入.arXiv预印本 [30] Leskovec，J.、Kleinberg，J.和Faloutsos，C.（2007年）。图形演变：致密化和收缩直径。从数据中发现知识的ACM事务（TKDD），1（1），2-es。 [31] Leskovec，J.和Krevl，A.（2014年）。SNAP数据集：斯坦福大学大型网络数据集收集。http://snap.stanford.edu/data。 [32] Leskovec，J.和Mcauley，J.J.（2012）。学习发现自我网络中的社交圈。《神经信息处理系统进展》，第539-547页。 [33] Lu，W.、Bonchi，F.、Goyal，A.和Lakshmanan，L.V.（2013年）。物超所值：从主持人的角度进行公平竞争的病毒式营销。第19届ACM SIGKDD会议记录 [34] Machina，M.J.（1989）。不确定性下的动态一致性和非预期效用模型选择。《经济文学杂志》，27（4），1622-1668。 [35] Manlove，D.（2013）。偏好匹配算法，第2卷。世界科学·Zbl 1283.68018号 [36] Mitzenmacher，M.和Upfal，E.（2017年）。概率与计算：算法与数据分析中的随机化与概率技术（第二版）。美国剑桥大学出版社·Zbl 1368.60002号 [37] Moulin，H.（1991）。合作决策公理。计量经济学社会专著。剑桥大学出版社·Zbl 0699.90001号 [38] Opsahl，T.和Panzarasa，P.（2009年）。加权网络中的聚类。社交网络，31（2），155-163。 [39] Rahmatalabi，A.、Jabbari，S.、Lakkaraju，H.、Vayanos，P.、Rice，E.和Tambe，M.（2020年）。公平影响最大化：一种福利优化方法。arXiv预印本arXiv:2006.07906。 [40] Stoica，A.-A.、Han，J.X.和Chaintreau，A.（2020年）。播种网络对有偏网络的影响和多样性的好处。在WWW2020中。 [41] Tang，Y.、Shi，Y.和Xiao，X.（2015）。近线性时间内的影响最大化：鞅方法。2015 ACM SIGMOD国际管理会议记录 [42] 唐毅、肖旭和石毅（2014）。影响最大化：接近最佳的时间复杂度满足实际效率。在2014年国际数据管理会议上， [43] Tsang，A.、Wilder，B.、Rice，E.、Tambe，M.和Zick，Y.（2019年）。影响力最大化中的群体公平性。第28届国际人工智能联合会议记录， [44] Udwani，R.（2018）。具有基数约束的单调子模函数的多目标最大化。神经信息处理系统研究进展31： [45] 瓦伦特，T.W.和彭彭，P.（2007）。确定意见领袖以促进行为改变。健康教育与行为，34（6），881-896。 [46] Wilder，B.、Onasch-Vera，L.、Hudson，J.、Luna，J.和Wilson，N.、Petering，R.、Woo，D.、Tambe，M.和Rice，E.（2018a）。在现场实现端到端影响力最大化。诉讼程序 [47] Wilder，B.、Ou，H.、de la Haye，K.和Tambe，M.（2018b）。优化预防健康网络结构。第十七届自治国际会议论文集 [48] Yadav，A.、Wilder，B.、Rice，E.、Petering，R.、Craddock，J.、Yoshioka-Maxwell，A.、Hemler，M.、Onasch-Vera，L.、Tambe，M.和Woo，D.（2018）。缩小影响最大化理论与实践之间的差距：提高无家可归青年对艾滋病毒的认识。。InIJCAI，第5399-5403页。 [49] 严奇（2011）。通过相关间隙进行机构设计。2011年1月23日至25日，美国加利福尼亚州旧金山，2011年SODA，第二十二届ACM-SIAM离散算法年会论文集，第710-719页·Zbl 1377.91108号 [50] Yang，J.和Leskovec，J.（2015）。根据实际情况定义和评估网络社区。知识与信息系统，42（1），181-213。 [51] Young，N.E.（1995年）。不求解线性规划的随机取整。第六届ACM-SIAM离散算法年会论文集，1995年1月22日至24日。美国加利福尼亚州旧金山，第170-178页·Zbl 0849.90100号 [52] Young，N.E.（2001年）。混合包装和覆盖的顺序和并行算法。第42届计算机科学基础年度研讨会，2001年10月14日至17日，美国内华达州拉斯维加斯，第538-546页。 [53] Yu，Y.、Jia，J.、Li，D.和Zhu，Y.（2017）。竞争性社交网络中的公平多影响力最大化。在无线算法、系统和应用国际会议上，第253-265页。施普林格 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。