BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.4.3//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:0-100@lisn.upsaclay.fr DTSTART;TZID=Europe/Paris:20230223T133000 DTEND;TZID=Europe/Paris:20230223T173000 DTSTAMP:20230216T103147Z URL:https://www.lisn.upsaclay.fr/evenements/apprentissage-sequentiel-pour- la-diffusion-dinformation/ SUMMARY:Apprentissage séquentiel pour la diffusion d’information DESCRIPTION:Motivés par les scénarios de diffusion de l’information et de publicité dans les réseaux sociaux\, nous étudions un problème de m aximisation de l’influence (MI) dans lequel on suppose que l’on en sai t peu sur le réseau de diffusion ou sur le modèle qui détermine comment l’information peut se propager. Dans un tel environnement incertain\, o n peut se concentrer sur des campagnes de diffusion à plusieurs tours\, a vec l’objectif de maximiser le nombre d’utilisateurs distincts qui son t influencés ou activés\, à partir d’une base de nœuds influents. Au cours d’une campagne\, les graines de propagation sont sélectionnées séquentiellement lors de tours consécutifs\, et les commentaires sont co llectés sous la forme des nœuds activés à chaque tour L’impact (réc ompense) d’un tour est alors quantifié par le nombre de nœuds nouvelle ment activés. En général\, il faut maximiser la propagation totale de l a campagne\, comme la somme des récompenses des tours. Nous considérons deux sous-classes de d’IM\, Contextual Influence Maximization with Persi stence (CIMP) et Episodic Contextual Influence Maximization with Persisten ce (ECIMP)\, où (i) la récompense d’un tour d’une campagne en cours consiste uniquement en de nouvelles activations (non observées lors des t ours précédents de cette campagne)\, (ii) le contexte du tour et les don nées historiques des tours précédents peuvent être exploités pour app rendre la meilleure politique\, et (iii) ECIMP est CIMP répété plusieur s fois\, ce qui permet d’apprendre également des campagnes précédente s. Ce problème est directement motivé par les scénarios du monde réel de la diffusion de l’information dans le marketing d’influence\, où ( i) seule la première / unique activation d’un utilisateur cible présen te un intérêt (et cette activation persistera comme une activation acqui se\, latente\, tout au long de la campagne). (ii) de précieuses informati ons secondaires sont disponibles pour l’agent d’apprentissage Dans ce contexte\, une approche d’exploration-exploitation pourrait être utilis ée pour apprendre les principaux paramètres de diffusion sous-jacents\, tout en exécutant les campagnes. Pour CIMP\, nous décrivons et comparons deux méthodes de bandits à bras multiples contextuels\, avec des limite s supérieures de confiance sur le potentiel restant des influenceurs\, l ’une utilisant un modèle linéaire généralisé et l’estimateur de G ood-Turing pour le potentiel restant (GLM-GT-UCB)\, et l’autre adaptant directement l’algorithme LinUCB à notre cadre (LogNorm-LinUCB). Pour EC IMP\, nous proposons l’algorithme LSVI-GT-UCB qui implémente le princip e d’optimisme face à l’incertitude pour l’apprentissage par renforc ement\, avec approximation linéaire. L’agent d’apprentissage estime p our chaque nœud de départ son potentiel restant avec un estimateur de Go od-Turing\, modifié par une fonction Q estimée. Nous montrons qu’ils s urpassent les performances des méthodes de base utilisant les idées les plus récentes\, sur des données synthétiques et réelles\, tout en pré sentant un comportement différent et complémentaire\, selon les scénari os dans lesquels ils sont déployés.\nComposition du jury\nMichalis VAZIR GIANNIS\, Rapporteur &\; Examinateur\, Professeur\, École Polytechniqu e / LIXStratis IOANNIDIS\, Rapporteur &\; Examinateur\, Professeur\, No rtheastern University\, Boston\, MA\, USA / SPIRALPablo PIANTANIDA\, Exami nateur\, CNRS\, Professeur\, Université Paris-Saclay / ILLSVincent TAN\, Examinateur\, Professeur\, National University of Singapore / IDSFatiha SA ÏS\, Examinatrice?Professeur\, Université Paris-Saclay / LISN CATEGORIES:Science des Données,Thèses et HDR LOCATION:LISN Site Plaine\, 1 rue Raimond Castaing 91190 Gif-sur-Yvette\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=1 rue Raimond Castaing 91 190 Gif-sur-Yvette\, France;X-APPLE-RADIUS=100;X-TITLE=LISN Site Plaine:ge o:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:STANDARD DTSTART:20221030T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD END:VTIMEZONE END:VCALENDAR