🤖 machine learning

Learning Peer Influence Probabilities with Linear Contextual Bandits

यह शोधपत्र एक कॉन्टेक्स्टुअल लीनियर बैंडिट फ्रेमवर्क पेश करके नेटवर्क वाले वातावरण में विषम पीयर इन्फ्लुएंस प्रोबेबिलिटीज (heterogeneous peer influence probabilities) को सीखने की चुनौती को संबोधित करता है, जो रिग्रेट मिनिमाइजेशन और एस्टिमेशन एरर के बीच मौलिक ट्रेड-ऑफ को स्पष्ट करता है, और इस स्पेक्ट्रम में इष्टतम प्रदर्शन प्राप्त करने के लिए एक अनसर्टेन्टी-गाइडेड एल्गोरिदम का प्रस्ताव करता है।

मूल लेखक: Ahmed Sayeed Faruk, Mohammad Shahverdikondori, Elena Zheleva

प्रकाशित 2026-06-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ahmed Sayeed Faruk, Mohammad Shahverdikondori, Elena Zheleva

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल सोशल क्लब के मैनेजर हैं जहाँ सदस्य लगातार अपने दोस्तों के साथ समाचार, उत्पाद या विचार साझा करते हैं। आपका लक्ष्य यह पता लगाना है कि कौन किसे प्रभावित करता है। क्या एलिस की सिफारिश से बॉब नया फोन खरीदता है? क्या चार्ली की पोस्ट से डेव कॉन्सर्ट में जाता है?

समस्या यह है कि प्रभाव (influence) को समझना पेचीदा है। कभी-कभी लोग चीजें इसलिए साझा करते हैं क्योंकि वे समान हैं (homophily), न कि इसलिए कि एक ने वास्तव में दूसरे को मनाया हो। और यदि आप केवल स्वाभाविक रूप से होने वाली चीजों को देखते हैं, तो आप यह अंतर नहीं बता पाएंगे कि "एलिस ने बॉब को मनाया" या "एलिस और बॉब बस एक जैसी चीजें पसंद करते हैं।"

इस समस्या को हल करने के लिए, इस शोध पत्र के लेखक इन प्रभाव संभावनाओं (influence probabilities) को सीखने का एक नया तरीका प्रस्तावित करते हैं, जो केवल देखने के बजाय, एक वैज्ञानिक द्वारा प्रयोग चलाने की तरह, उन्हें सक्रिय रूप से परीक्षण करता है।

यहाँ मुख्य विचार दिया गया है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. दो परस्पर विरोधी लक्ष्य (एक "रस्साकशी")

शोधकर्ताओं ने पाया है कि आप एक साथ दोनों चीजें नहीं पा सकते। आप दो लक्ष्यों के बीच रस्साकशी में फंसे हुए हैं:

लक्ष्य A: एक अच्छा सेल्सपर्सन बनना (पछतावे को कम करना - Minimize Regret)। आप उन लोगों को सिफारिशें दिखाना चाहते हैं जिनके अभी "हाँ" कहने की सबसे अधिक संभावना है। यह तत्काल सफलता को अधिकतम करता है।
लक्ष्य B: एक अच्छा जासूस बनना (अनुमान त्रुटि को कम करना - Minimize Estimation Error)। आप सभी के लिए वास्तविक प्रभाव संभावनाओं को सीखना चाहते हैं, यहाँ तक कि उन लोगों के लिए भी जो शायद ही कभी "हाँ" कहते हैं। इसे करने के लिए, आपको उन लोगों का परीक्षण करना होगा जिनके बारे में आप अनिश्चित हैं, जिसका अर्थ है कि आप कुछ तत्काल बिक्री खो सकते हैं।

उपमा: कल्पना कीजिए कि आप एक शिक्षक हैं जो यह जानने की कोशिश कर रहे हैं कि कौन से छात्र परीक्षा में सफल होंगे।

यदि आप केवल उन छात्रों को अभ्यास टेस्ट देते हैं जो पहले से ही शीर्ष प्रदर्शन करने वाले हैं (लक्ष्य A), तो आपको तुरंत अच्छे स्कोर मिलते हैं, लेकिन आप कभी यह नहीं जान पाते कि संघर्ष कर रहे छात्रों को वास्तव में विषय की समझ है या उन्हें बस अधिक मदद की आवश्यकता है।
यदि आप हर छात्र को, जिसमें वे भी शामिल हैं जो आमतौर पर असफल होते हैं, अभ्यास टेस्ट लेने के लिए मजबूर करते हैं (लक्ष्य B), तो आपको पता चल जाएगा कि किसे क्या पता है, लेकिन आपका कक्षा औसत ("पछतावा") गिर जाएगा क्योंकि आपने अपना समय उन लोगों के परीक्षण में बिता दिया जिन्हें इसकी आवश्यकता नहीं थी।

यह शोध पत्र गणितीय रूप से सिद्ध करता है कि कोई भी एकल रणनीति एक ही समय में दोनों लक्ष्यों में पूर्ण नहीं हो सकती। आपको एक संतुलन चुनना होगा।

2. समाधान: "इन्फ्लुएंस कॉन्टेक्स्टुअल बैंडिट" (InfluenceCB)

लेखकों ने InfluenceCB नामक एक स्मार्ट सिस्टम बनाया है जो एक लचीले स्विच की तरह काम करता है। यह आपको यह तय करने के लिए एक डायल घुमाने की अनुमति देता है कि आप "सेल्सपर्सन" बनाम "जासूस" होने में कितना ध्यान देना चाहते हैं।

डायल (पैरामीटर $\beta$ ):
- यदि आप डायल को Regret (पछतावे) की ओर घुमाते हैं, तो सिस्टम एक सतर्क सेल्सपर्सन की तरह कार्य करता है। यह ज्यादातर उन लोगों को सिफारिशें दिखाता है जिन्हें यह लगता है कि वे "हाँ" कहेंगे, ताकि तत्काल सफलता दर ऊँची बनी रहे।
- यदि आप डायल को RMSE (त्रुटि) की ओर घुमाते हैं, तो सिस्टम एक जिज्ञासु जासूस की तरह कार्य करता है। यह जानबूझकर अनिश्चित या कम प्रदर्शन करने वाले लोगों को सिफारिशें दिखाता है ताकि अधिक डेटा एकत्र किया जा सके और सच्चाई सीखी जा सके, भले ही इसका अर्थ कुछ तत्काल "हाँ" उत्तरों को खोना हो।
अनिश्चितता मीटर (Uncertainty Meter): सिस्टम लगातार जाँच करता है: "मैं इस विशिष्ट दोस्ती के बारे में कितना अनिश्चित हूँ?" यदि अनिश्चितता बहुत अधिक है, तो यह एक प्रयोग (exploration) करने के लिए मजबूर करता है। यदि यह आश्वस्त है, तो यह बस प्रवाह के साथ चलता है (exploitation)।

3. उन्होंने इसका परीक्षण कैसे किया

उन्होंने केवल अनुमान नहीं लगाया; उन्होंने वास्तविक दुनिया के सोशल नेटवर्क डेटा (जैसे ब्लॉग, फोटो-शेयरिंग साइट और ट्विटर नेटवर्क) पर सिमुलेशन चलाया। उन्होंने एक नकली दुनिया बनाई जहाँ वे जानते थे कि "वास्तविक" प्रभाव संभावनाएं क्या हैं और फिर उन्होंने अपने एल्गोरिदम को उन्हें सीखने की कोशिश करने दी।

परिणाम:

पुराने तरीके (Static): ये अतीत की एक तस्वीर देखने जैसे थे। ये अनुमान लगाने में ठीक थे लेकिन नई चीजें नहीं सीख सकते थे।
मानक बैंडिट्स (Standard Bandits): ये उन सेल्सपर्सन की तरह थे जो केवल लोकप्रिय लोगों से बात करते हैं। उन्हें तत्काल अच्छे परिणाम मिले लेकिन उनके पास पूरे नेटवर्क की एक धुंधली तस्वीर थी।
उनका तरीका (InfluenceCB): यह विजेता था। अपने डायल को समायोजित करके, InfluenceCB एक परफेक्ट कर्व (जिसे पारेटो फ्रंटियर कहा जाता है) बना सकता था।
- यदि क्लाइंट को सर्वोत्तम तत्काल परिणाम चाहिए थे, तो InfluenceCB ने सर्वोत्तम संभव परिणाम दिए जबकि वह सीख भी रहा था।
- यदि क्लाइंट को प्रभाव का सबसे सटीक मानचित्र चाहिए था, तो InfluenceCB ने सबसे सटीक मानचित्र दिया जबकि वह पर्याप्त परिणाम भी प्राप्त कर रहा था।

4. मुख्य निष्कर्ष

इस शोध पत्र का मुख्य योगदान यह सिद्ध करना है कि प्रभाव को सीखना एक संतुलन का कार्य है। आप केवल तत्काल लाभ के लिए अनुकूलित नहीं हो सकते और यह उम्मीद नहीं कर सकते कि आप सच्चाई सीखेंगे, और आप बिना प्रदर्शन को नुकसान पहुँचाए सब कुछ सीखने की कोशिश भी नहीं कर सकते।

उनका नया टूल, InfluenceCB, आपको स्टीयरिंग व्हील देता है। यह आपको यह तय करने की अनुमति देता है कि आप किसी भी समय कितना एक्सप्लोर (सीखना) बनाम एक्सप्लॉइट (कमाना) करना चाहते हैं, जिससे यह सुनिश्चित होता है कि आपको अपनी विशिष्ट आवश्यकताओं के लिए सर्वोत्तम परिणाम मिले, चाहे वह वायरल मार्केटिंग अभियान चलाना हो या केवल यह समझना हो कि एक समुदाय में सूचना कैसे फैलती है।

संक्षेप में: उन्होंने एक स्मार्ट एल्गोरिदम बनाया है जो जानता है कि वह हर चीज़ में पूर्ण नहीं हो सकता, इसलिए यह आपको यह चुनने की अनुमति देता है कि आप एक क्षेत्र में कितना अपूर्ण होना चाहते हैं ताकि दूसरे में पूर्ण हो सकें।

तकनीकी सारांश: लीनियर कॉन्टेक्स्टुअल बैंडिट्स के साथ लर्निंग पीयर इन्फ्लुएंस प्रोबेबिलिटीज

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र नेटवर्क वातावरण में विषम पीयर इन्फ्लुएंस प्रोबेबिलिटीज (heterogeneous peer influence probabilities) को सीखने की चुनौती को संबोधित करता है। सामाजिक नेटवर्क में, किसी अन्य उपयोगकर्ता (प्रेषक) से अनुशंसा प्राप्त करने के बाद एक उपयोगकर्ता (प्राप्तकर्ता) द्वारा किसी कार्य को अपनाने की संभावना, नोड विशेषताओं, किनारे (edge) की विशेषताओं और नेटवर्क संरचना के आधार पर काफी भिन्न होती है।

लेखक इसे एक द्वि-उद्देश्यीय कॉन्टेक्स्टुअल मल्टी-आर्म्ड बैंडिट (bi-objective contextual multi-armed bandit - CMAB) समस्या के रूप में निरूपित करते हैं। इस सेटिंग में एक एजेंट एक निर्देशित एट्रिब्यूटेड नेटवर्क $G=(V, E)$ के साथ $T$ राउंड के दौरान इंटरैक्ट करता है। प्रत्येक राउंड में:

एजेंट उम्मीदवार किनारों (edges/interactions) के एक समूह को देखता है।
एजेंट हस्तक्षेप (intervention) के लिए $k$ किनारों के एक उपसमुच्चय (subset) का चयन करता है (जैसे, प्राप्तकर्ताओं के एक विशिष्ट सेट को पोस्ट दिखाना)।
एजेंट बाइनरी रिवॉर्ड्स (सक्रियण: यदि प्राप्तकर्ता कार्य करता है तो 1, अन्यथा 0) देखता है।

मुख्य कठिनाई दो परस्पर विरोधी उद्देश्यों के बीच संतुलन बनाने में निहित है:

संचयी रिग्रेट (Cumulative Regret - $Regret_T$ ) को कम करना: उच्चतम अनुमानित प्रभाव संभावनाओं वाले किनारों को चुनकर तत्काल पुरस्कारों को अधिकतम करना (एक्सप्लोइटेशन/Exploitation)।
अनुमान त्रुटि (Estimation Error - $RMSE_T$ ) को कम करना: नेटवर्क के सभी किनारों के लिए वास्तविक प्रभाव संभावनाओं का सटीक अनुमान लगाना, जिनमें कम या अनिश्चित प्रभाव वाले किनारे भी शामिल हैं (एक्सप्लोरेशन/Exploration)।

शोध पत्र का तर्क है कि मानक ऑनलाइन लर्निंग विधियाँ या तो रैंडम एक्सप्लोरेशन के माध्यम से संसाधनों को बर्बाद करती हैं (कम रिग्रेट गारंटी) या केवल पुरस्कारों के लिए अनुकूलित होती हैं, जिससे कम संभावना वाले किनारों के लिए उच्च अनुमान त्रुटियां होती हैं। इसके विपरीत, स्टैटिक विधियां होमोफिली (homophily) जैसे कन्फाउंडिंग कारकों से वास्तविक प्रभाव को अलग करने में विफल रहती हैं।

2. कार्यप्रणाली: इन्फ्लुएंस कॉन्टेक्स्टुअल बैंडिट ($InfluenceCB$)

लेखक **$InfluenceCB $** का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जिसे रिग्रेट और अनुमान त्रुटि के बीच के ट्रेड-ऑफ को नेविगेट करने के लिए डिज़ाइन किया गया है। यह विधि एक लीनियर रिवॉर्ड मॉडल के तहत कार्य करती है जहाँ संदर्भ वेक्टर$ X $वाले एक किनारे के लिए अपेक्षित रिवॉर्ड$ E[r] = X^\top \theta^ $है, जहाँ$ \theta^$ एक अज्ञात पैरामीटर वेक्टर है।

मुख्य घटक:

अनिश्चितता-निर्देशित एक्सप्लोरेशन (Uncertainty-Guided Exploration):
- एल्गोरिदम मानक लीनियर बैंडिट अनिश्चितता मेट्रिक का उपयोग करके उम्मीदवार किनारों के लिए अनुमान अनिश्चितता की गणना करता है: $U_t(X) = \sqrt{X^\top V_{t-1}^{-1} X}$ , जहाँ $V_{t-1}$ देखे गए फीचर्स का रेगुलराइज्ड कोवेरिएंस मैट्रिक्स है।
- यदि वर्तमान पूल में अधिकतम अनिश्चितता एक गतिशील थ्रेशोल्ड ( $C_t / t^\beta$ ) से अधिक हो जाती है, तो एल्गोरिदम एक एक्सप्लोरेशन चरण में प्रवेश करता है, जो उच्चतम अनिश्चितता स्कोर वाले शीर्ष- $k$ किनारों का चयन करता है। यह सुनिश्चित करता है कि वैश्विक अनुमान में सुधार के लिए कम संभावना वाले या अनिश्चित किनारों को सैंपल किया जाए।
रिवॉर्ड-निर्देशित एक्सप्लोइटेशन (Reward-Guided Exploitation):
- यदि अनिश्चितता थ्रेशोल्ड से नीचे गिर जाती है, तो एल्गोरिदम एक एक्सप्लोइटेशन चरण में प्रवेश करता है।
- यह अपेक्षित तत्काल रिवॉर्ड को अधिकतम करने वाले किनारों को चुनने के लिए एक मानक लीनियर CMAB सबरूटीन (जैसे, CombLinUCB) का उपयोग करता है, जिससे रिग्रेट कम होता है।
ट्रेड-ऑफ नियंत्रण (Trade-off Control):
- पैरामीटर $\beta$ : ट्रेड-ऑफ की एसिम्प्टोटिक दर को नियंत्रित करता है। एक कम $\beta$ (जैसे, 0.25) रिग्रेट मिनिमाइजेशन को प्राथमिकता देता है, जबकि एक उच्च $\beta$ (जैसे, 0.5) अनुमान सटीकता (RMSE) को प्राथमिकता देता है।
- पैरामीटर $C_t$ : एक्टिवेशन रेट या अनिश्चितता सांख्यिकी के आधार पर समय के साथ सीखा गया एक एडेप्टिव थ्रेशोल्ड है, जो सिस्टम को एक्सप्लोरेशन और एक्सप्लोइटेशन के बीच संतुलन को गतिशील रूप से समायोजित करने की अनुमति देता है।

3. सैद्धांतिक योगदान

शोध पत्र इस समस्या की मौलिक सीमाओं को स्थापित करने वाला कठोर सैद्धांतिक विश्लेषण प्रदान करता है:

ट्रेड-ऑफ का अस्तित्व: लेखक सिद्ध करते हैं कि कोई भी एकल एल्गोरिथ्म संचयी रिग्रेट और वैश्विक अनुमान त्रुटि दोनों के लिए इष्टतम दरों को एक साथ प्राप्त नहीं कर सकता है।
प्राप्य दर युग्म (Achievable Rate Pairs): वे प्राप्त दरों के पैरेटो फ्रंटियर (Pareto frontier) को स्पष्ट करते हैं। विशेष रूप से, किसी भी पॉलिसी $\pi$ $π$ के लिए, यदि रिग्रेट $O(T^{2\beta})$ $O (T^{2 β})$ के रूप में स्केल करता है, तो RMSE को $\Omega(T^{-\beta})$ $Ω (T^{- β})$ के रूप la स्केल करना चाहिए, जहाँ $\beta \in [1/4, 1/2]$ $β \in [1/4, 1/2]$ है।
- इष्टतम रिग्रेट ( $\beta=1/4$ ) का अर्थ है उप-इष्टतम RMSE ( $\Omega(T^{-1/4})$ )।
- इष्टतम RMSE ( $\beta=1/2$ ) का अर्थ है लीनियर रिग्रेट।
प्राप्यता (Achievability): थ्योरम 5.1 दर्शाता है कि $InfluenceCB $पैरामीटर$ \beta$ को ट्यून करके इस पैरेटो फ्रंटियर के किसी भी बिंदु को प्राप्त कर सकता है, जो इन सीमाओं को संतुष्ट करता है:
$Regret_T \in \tilde{O}(T^{2\beta}), \quad RMSE_T \in \tilde{O}(T^{-\beta})$

4. प्रयोगात्मक परिणाम

लेखकों ने वास्तविक दुनिया के नेटवर्क से प्राप्त तीन सेमी-सिंथेटिक डेटासेट्स: BlogCatalog, Flickr, और Hateful (Twitter) पर $InfluenceCB$ का मूल्यांकन किया। ग्राउंड-ट्रुथ इन्फ्लुएंस प्रोबेबिलिटीज को नोड और एज फीचर्स के लीनियर कॉम्बिनेशन के आधार पर सिंथेटिक रूप से जेनरेट किया गया था।

बेसलाइन्स (Baselines):

स्टैटिक मॉडल्स: रैंडम, सिमिलैरिटी, लिंक प्रेडिक्शन (Ridge, GraphSAGE, NCNC), और एक SOTA रिकमेंडर (ContextGNN)।
ऑनलाइन लर्निंग: SGD-आधारित एक्सप्लोइटेशन और एक्सप्लोरेशन वेरिएंट।
कॉन्टेक्स्टुअल बैंडिट्स: LinUCB, EENet, ग्राफ न्यूरल बैंडिट्स (GNB), और ताकेमुरा एट अल. (कॉम्बिनेटोरियल सेमी-बैंडिट)।

मुख्य निष्कर्ष:

पैरेटो फ्रंटियर विस्तार: $InfluenceCB$ सभी बेसलाइन्स की तुलना में पैरेटो फ्रंटियर का विस्तार करता है। जबकि मानक बैंडिट्स (जैसे LinUCB) रिग्रेट के लिए अनुकूलित होते हैं, उनमें उच्च अनुमान त्रुटियां देखी जाती हैं। स्टैटिक मॉडल्स दोनों मेट्रिक्स पर खराब प्रदर्शन करते हैं।
ट्यूनेबल ट्रेड-ऑफ: $\beta$ को समायोजित करके, $InfluenceCB$ रिग्रेट की कीमत पर RMSE को महत्वपूर्ण रूप से कम कर सकता है (Flickr पर ~60% तक), या रिग्रेट को कम करने के लिए (LinUCB से ~5-10% बेहतर प्रदर्शन के साथ) RMSE में मामूली वृद्धि कर सकता है।
पैरामीटर संवेदनशीलता: पैरामीटर $C$ (थ्रेशोल्ड) ट्रेड-ऑफ को महत्वपूर्ण रूप से प्रभावित करता है। $C$ की एडेप्टिव लर्निंग एल्गोरिथ्म को विशिष्ट अनुप्रयोग आवश्यकताओं के लिए मैनुअल ट्यूनिंग के बिना संतुलन खोजने की अनुमति देती है।
मजबूती (Robustness): विधि विभिन्न नेटवर्क सेटिंग्स (नेटवर्क-आधारित बनाम नेबर-आधारित एज सिलेक्शन) में रैंकिंग मेट्रिक्स (NDCG@k) और कैलिब्रेशन एरर (ECE) में प्रतिस्पर्धी प्रदर्शन बनाए रखती है।

5. महत्व और दावे

शोध पत्र दावा करता है कि यह पीयर इन्फ्लुएंस प्रोबेबिलिटीज सीखने को स्पष्ट रूप से एक स्वतंत्र द्वि-उद्देश्यीय समस्या के रूप में औपचारिक रूप देने वाला पहला कार्य है, जो इन्फ्लुएंस मैक्सिमाइजेशन या रिकमेंडेशन कार्यों से अलग है जहाँ संभावनाओं को ज्ञात या माध्यमिक माना जाता है।

सैद्धांतिक अंतर्दृष्टि: यह स्थापित करता है कि नेटवर्क आधारित बैंडिट सेटिंग्स में रिग्रेट को कम करना और वैश्विक अनुमान त्रुटि को कम करना मौलिक रूप से विरोधी उद्देश्य हैं, एक ऐसा ट्रेड-ऑफ जो इस विशिष्ट संदर्भ में पहले अनिश्चित था।
व्यावहारिक उपयोगिता: यह फ्रेमवर्क अभ्यासकर्ताओं को उनके एप्लिकेशन की प्राथमिकताओं के अनुरूप पॉलिसी को स्पष्ट रूप से चुनने की अनुमति देता है। उदाहरण के लिए, एक वायरल मार्केटिंग अभियान रिग्रेट (तत्काल बिक्री) को प्राथमिकता दे सकता है, जबकि एक पॉलिसी ऑडिट या डिफ्यूजन सिमुलेशन RMSE (सटीक वैश्विक प्रभाव मानचित्र) को प्राथमिकता दे सकता है।
सीमाएं और भविष्य का कार्य: लेखक नोट करते हैं कि उनका वर्तमान विश्लेषण स्वतंत्र बर्नौली एक्टिवेशन को मानता है और जटिल इंटरफेरेंस प्रभावों (जैसे, कई पड़ोसियों से संचयी एक्सपोजर) को मॉडल नहीं करता है। भविष्य के कार्य के रूप में गैर-रेखीय सेटिंग्स और डायनेमिक या आंशिक रूप से ऑब्जर्व किए गए नेटवर्क में फ्रेमवर्क का विस्तार करने का सुझाव दिया गया है।

संक्षेप में, $InfluenceCB$ सटीक प्रभाव मॉडल सीखने और तत्काल नेटवर्क हस्तक्षेपों को अधिकतम करने के बीच तनाव को नेविगेट करने के लिए एक सिद्धांतयुक्त तंत्र प्रदान करता है, जो नेटवर्क आधारित निर्णय लेने के लिए एक लचीला उपकरण पेश करता है।