.png){kind=icon}
返回
Fairness-constrained multigroup influence maximization
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-024-02314-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
影响最大化是网络科学中一个已被深入研究的课题，旨在最大化从一个给定的初始个体集合到网络中其他节点的传播影响。这一概念在病毒营销、信息传播、新闻传播和疫苗接种等多个领域得到应用。然而，传统的最大化影响目标往往忽视了在种族或性别等敏感属性方面影响节点的公平分布。本文解决了公平影响最大化的问题，旨在实现更公平的结果，特别是针对少数群体。我们的方法涉及将问题表述为优化一个福利函数，该函数明确纳入公平性的两个关键方面：效用和公平性。为应对这一挑战，我们提出了一种新型神经网络架构，由两个专门设计用于处理图上组合优化问题的子网络组成。我们的框架涵盖了效用和公平性的多种概念，包括最大化平等公平、正则化最大化平等公平和词典最小化公平。通过广泛的实验，我们证明我们的框架不仅在多种场景中适用，而且能与现有算法有效竞争。结果表明，我们的方法在实现公平影响最大化方面具有有效性和竞争力。
Keyword:
Group fairness
Influence maximization
Welfare economics
Social networks
期刊
IF:
3.1
论文数:
580
被引数:
5.2K
机构
引用论文
分享收藏分享收藏
Mining knowledge-sharing sites for viral marketing.png)
Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏Maximizing the spread of influence through a social networkProceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining
OAAI
Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏
查看更多内容