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集合，使预期受影响用户数最大化。作者提出 DeepIM，以生成式方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，并通过新的目标函数，在灵活的基于节点中心性的预算约束下推断最优种子集合。 方法针对三个问题展开：目标函数难以有效求解、潜在扩散模式多样且难以刻画，以及不同节点中心性约束下的 IM 变体难以统一适配。摘要明确了集合表示、扩散学习和约束优化三个机制方向，但未披露具体模型结构、生成过程、损失形式及推理算法，不能据此判断其最优性保证或计算成本。 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；摘要未给出数据集名称、划分方式、对照基线、量化指标或结果。实验协议、消融及统计信息尚未验证，向未知图泛化的实际表现也需查阅全文核对。 平台推测（待验证）：若将 EEG 通道或脑区表示为图节点，预算约束下的集合优化可能为通道选择提供方法参考；可考虑复用集合表示与约束优化思路，但需把社交影响扩散目标改为可验证的神经信号覆盖或解码目标。原方法依赖图结构与扩散学习数据，其具体监督形式和训练规模尚未验证；功能连接不等于影响传播，低信噪比、跨被试连接差异及小样本均可能使这一对应失效。一个可证伪的小实验是在固定通道预算下，仅用训练数据构图并适配选点目标，与随机选择及节点中心性选择比较留出被试的解码结果。该实验属于迁移假设，不是本文已验证贡献；已有 EEG 相关工作尚未检索确认。