Minimizing the expected complete influence time of a social network
-
Yaodong Ni, Lei Xie, Zhi-Qiang Liu
-
Information Sciences 2010
概要
-
最終的に全員が活性化する
-
MP3プレーヤーがカセットテープの上位互換,みたいに駆逐される設定
-
時間が勝負
incremental chance model
-
無向グラフ G=(V,E,w)
-
jumping: 1つ以上の活性頂点を近傍に持つ
-
sleeping: 近傍は全て非活性
-
時刻tで頂点jは
-
$$ p_t^j = \frac{\sum_{i \in N(j): \mathrm{active}}w_{ij}}{\sum_{i \in N(j)}w_{ij}} $$
-
の確率で活性化
-
自分の周囲の活性頂点の(重み付き)割合
-
τ(A): complete influence time
-
E[τ(A)]が目的関数
-
各時刻・頂点に乱数を割り当てれば,拡散過程は決定的になる
-
単調っぽい
理論的結果
-
定理1: E[τ(A)]の単調性
-
定理2: E[τ(A)]の上界(tightではない
-
$ w_{ij}^* = \frac{\sum_{k \in N(j)}w_{kj}}{w_{ij}} $
-
として,A内の各頂点を根とする(有向)全域森を考える
-
E[τ(A)]≦(全域森の重み)
実験
-
劣モジュラかは知らんが,貪欲でやるにしても計算時間がヤバい
-
ヒューリスティクスで何割か選ぶ
-
選んだ頂点についてE[τ(A)]の増加量を真面目に計算
-
基本的にヒューリスティクスの比較とか,何割を選ぶかとかの比較
まとめ
-
実験で定理2のgapは調べないのね…
-
E[τ(A)]の良い計算方法か理論的にGoodな手法
Information Sciences 影響最大化 情報拡散
2015/04/01 21:01
最終更新:2015年04月01日 21:01