面向影响力最大化的深度图表示学习与优化

基于摘要分析。本文研究社交网络中的影响力最大化（IM）：选择一组初始用户作为种子，使预期受影响用户数最大化。作者提出 DeepIM，通过生成式刻画种子集合的潜在表示、端到端学习多样化的信息扩散模式，并设计支持灵活节点中心性预算约束的目标函数，求解种子集合。 方法针对学习式 IM 的三个难点：目标函数难以有效求解、潜在扩散模式多样且难以表征，以及不同节点中心性约束下的求解适配。其研究重点不只是节点表示学习，还包括集合层面的表示、扩散模式学习与约束优化之间的结合。摘要未说明生成式建模的具体形式、扩散监督来源、目标函数表达式及推理过程，相关实现细节尚未验证。 作者报告在合成与真实数据集上开展了广泛分析，以展示 DeepIM 的整体性能；摘要未提供数据集名称、图规模、训练与测试图划分、对照方法或具体指标。因此，目前不能量化其性能增益，也不能确认其对未知图的泛化程度。实验协议、消融及统计信息尚未验证，复现所需的数据、代码与计算条件亦需查阅全文确认。 该工作的主要研究对象是社交网络中的信息扩散与种子选择，而非神经信号解码。现有材料不足以建立其与 EEG/BCI 的具体机制对应，不据此推导 BCI 有效性或提出迁移实验。