Fairness-constrained influence maximisation via multi-objective optimisation

doi:10.1016/j.swevo.2026.102428

Fairness-constrained influence maximisation via multi-objective optimisation

2026-06-02

0

OA

AI

DOI：10.1016/j.swevo.2026.102428

原文链接

查看原文

摘要

En 中文

影响力最大化（IM）问题旨在选择一组种子节点以最大化网络中的信息扩散。尽管现有方法在整体扩散方面取得了显著改进，但它们往往忽视了社区间的公平性，这可能导致信息传播偏差和弱势群体的排斥。为解决这一问题，我们定义了公平多目标影响力最大化（FMOIM）问题，该问题联合优化影响力传播和公平性。公平性在社区层面被建模为实现扩散收益分布与期望参考分配的对齐。Jensen–Shannon散度（JSD）相似性量化了分布与参考分配的偏差，而Jain公平性指数则表征了社区间收益分配的均匀性。为求解FMOIM，提出了FairWolf，这是一种面向问题的离散多目标优化模型，用于公平意识影响力最大化。它重新定义了灰狼优化器动态，以在社区级公平性目标下直接搜索固定预算的种子集，捕捉传播与公平的权衡。FairWolf包含三个组成部分：（i）一种针对种子集构建的离散位置更新机制，（ii）一种探索者增强的领导者选择策略，该策略在保持收敛压力的同时增强了种群多样性，（iii）一种超体积（HV）触发的扰动机制，该机制能自适应地缓解非凸多目标搜索空间中的停滞。在八个真实网络上的实验表明，FairWolf模型始终优于现有最先进基线，实现了更高的HV值和更均匀分布的帕累托前沿。这些结果证明了其在病毒营销、公共卫生和资源分配等应用中对公平意识扩散的有效性和实用性。

Keyword:

FairWolf

Fair influence maximisation

Grey wolf optimiser

Multi-objective optimisation

Social networks

Fairness-constrained influence maximisation via multi-objective optimisation

摘要

AI总结

期刊

机构

引用论文