采用加速推断的深度图表示学习影响力最大化方法

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集合，使预期受影响用户数量最大化。作者提出 DeepIM，通过生成式刻画种子集合的潜在表示，并以数据驱动、端到端方式学习多样的信息扩散模式，支持灵活的节点中心性预算约束下的种子集合推断。 方法针对学习式 IM 的三个难点：高效求解目标函数、刻画不同扩散模式，以及适配具有不同节点中心性约束的 IM 变体。其主要机制是将种子集合表示与扩散模式学习结合，再设计目标函数进行受约束的集合推断。摘要未披露生成模型形式、图编码结构、训练监督来源、损失函数及具体推断过程，因此尚不能判断加速来自何种计算机制，也不能确认其对未知图的泛化边界。 作者报告在合成与真实世界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、划分方式、对照基线、影响力指标或运行时间，无法据此量化性能收益或推断加速幅度。实验协议、消融及统计信息尚未验证。 本文的主要对象是社交网络扩散与种子集合优化，并非 EEG 解码或 BCI。摘要未建立社交扩散过程与神经信号之间的具体机制对应，不能将其结果视为脑网络节点选择或 BCI 性能提升的证据；已有 EEG 相关工作尚未检索确认。复现需进一步核对扩散模型、训练图与测试图的关系、节点中心性预算定义，以及影响力估计和推断耗时的评估条件。