本研究では，ソーシャルネットワーク上で情報拡散を最大化する影響最大化問題（IM）に取り組む．一般的なIMでは，ネットワーク内の関係性の強さを表す辺の重みに基づき影響力を推定するが，実ネットワークでは重みが未知の場合が多い．そこで，バンディットアルゴリズムを用いて辺の重みを推定しつつ，影響力が最大となるシード集合を特定することで拡散数の期待値である報酬を最大化するオンラインIMに焦点を当てる．本研究では，Explore-then-Commit (ETC) アルゴリズムにおける探索ラウンド数をベイズ最適化により適応的に決定する手法を提案し，探索と活用の合計ラウンドを通じた累積報酬の最大化を目指す．