Neues Deep RL steigert Fairness bei Influence Maximization

Ein neues Verfahren namens DQ4FairIM nutzt Deep Reinforcement Learning, um das Problem der Influence Maximization (IM) in sozialen Netzwerken gerechter zu gestalten. Dabei wird ein Maximin‑Fairness‑Ziel verfolgt, das die Reichweite für die am wenigsten beeinflussten Gruppen maximiert und so eine ausgewogenere Verteilung der Einflussnahme sicherstellt.

DQ4FairIM modelliert die Auswahl von Seed‑Knoten als Markov Decision Process (MDP) und setzt auf Deep Q‑Learning in Kombination mit dem Structure2Vec‑Netzwerk, um die Netzwerkstruktur effizient zu verarbeiten. Durch das Lernen einer optimalen Politik kann das System die erwartete Anzahl beeinflusster Knoten erhöhen, ohne die Fairness zu vernachlässigen.

Um die Wirksamkeit zu prüfen, wurden umfangreiche Tests an synthetischen Benchmark‑Netzwerken sowie an realen sozialen Netzwerken durchgeführt. Im Vergleich zu herkömmlichen, fairness‑agnostischen Ansätzen sowie anderen fairness‑bewussten Methoden zeigte DQ4FairIM eine deutlich höhere Fairness‑Metrik, während die Gesamtleistung in Bezug auf die Reichweite der Einflussnahme gleichwertig oder besser blieb.