影响最大化的影响（IM）问题是图表上的一个众所周知的NP  - 硬性组合问题，其目标是在最多传播影响的网络中找到一组节点。在解决IM问题的各种方法中，进化算法（EAS）已被证明特别有效。尽管有关该主题的文献特别丰富，但仅尝试了几次尝试在高阶网络上解决IM问题，即标准图的扩展，这些图表可以捕获涉及两个以上节点的交互 ...

由于随着时间的流逝而发展的动态相互作用，时间社交网络中的最大化提出了独特的挑战。传统的扩散模型通常在捕获节点之间活跃不活跃的过渡的现实世界复杂性方面缺乏，从而掩盖了影响力的真实行为。在动态网络中，节点不仅仅是一次过渡到活动状态。相反，它们可以在主动状态和非活性状态之间振荡，并且随着时间的流逝而进行重新激活和增强 ...

鉴于超图，影响最大化（IM）是发现一个种子集，其中包含具有最大影响的$ K $顶点。 Although the existing vertex-based IM algorithms perform better than the hyperedge-based algorithms by generating random reverse researchable (RR) sets, they ...

我们研究动态扩散网络中强大影响最大化的问题。与最近的工作相一致，我们考虑了网络可以在离散时间步骤中进行节点和边缘插入和去除节点的情况，并且影响权重由相应节点的特征和全局超参数确定。鉴于此，我们的目标是在每个时间步骤中找到种子集，最大程度地扩展到超级参数的所有可能值中的最坏情况 ...

当人们通过社交媒体网站沟通时，这些信息在人们之间流动。由于对数字媒体的依赖，因此与朋友和家人共享重要信息或定期更新。社交媒体上的一组人形成了一个社交网络 ...

影响最大化 - 识别网络中k个影响种子（顶点）子集的问题 - 是网络科学中的一个经典问题，具有许多应用程序。这个问题是NP-固定，但是存在有效的多项式时间近似。但是，由于与涉及随机抽样和大规模聚集的步骤相关的复杂性，因此对这些算法进行缩放仍然是一项艰巨的任务 ...

最近的研究表明，图形结构或节点特征上的扰动扰动会误导训练有素的图形神经网络（GNN）模型。但是，这些方法通常忽略实践假设，过度依靠启发式方法或单独的重要攻击组件。作为回应，我们提出了Gaim，这是一种以节点功能进行的集成对抗攻击方法，同时考虑了严格的黑框设置 ...

我们研究社会影响最大化的公平性，人们试图选择在整个网络中传播给定信息的种子，从而确保不同社区之间的平衡外展（例如人口统计组） ...