Fugu-MT 論文翻訳(概要): Generation of Paths in a Maze using a Deep Network without Learning

論文の概要: Generation of Paths in a Maze using a Deep Network without Learning

arxiv url: http://arxiv.org/abs/2004.00540v1
Date: Wed, 1 Apr 2020 16:08:45 GMT
ステータス: 処理完了
システム内更新日: 2022-12-17 18:10:31.985205
Title: Generation of Paths in a Maze using a Deep Network without Learning
Title（参考訳）: 学習を伴わないディープネットワークを用いた迷路内の経路生成
Authors: Tomas Kulvicius, Sebastian Herzog, Minija Tamosiunaite and Florentin W\"org\"otter
Abstract要約: 最大プール層のみからなるネットワークを用いて,複数の開始点と終了点の経路計画を効率的に解けることを示す。
参考スコア（独自算出の注目度）: 4.456122555367168
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Trajectory- or path-planning is a fundamental issue in a wide variety of applications. Here we show that it is possible to solve path planning for multiple start- and end-points highly efficiently with a network that consists only of max pooling layers, for which no network training is needed. Different from competing approaches, very large mazes containing more than half a billion nodes with dense obstacle configuration and several thousand path end-points can this way be solved in very short time on parallel hardware.
Abstract（参考訳）: トラジェクトリやパスプランニングは、幅広いアプリケーションにおいて基本的な問題である。本稿では,複数の開始点と終了点の経路計画を最大プール層のみで構成されるネットワークで効率的に解くことが可能であり,ネットワークトレーニングは不要であることを示す。競合するアプローチとは異なり、50億以上のノードを含む非常に大きな迷路は、密な障害設定と数千のパスエンドポイントを持つため、並列ハードウェア上で非常に短時間で解くことができる。

関連論文リスト

MazeNet: An Accurate, Fast, and Scalable Deep Learning Solution for Steiner Minimum Trees [24.24123863704024]
我々は,OARSMT(Obstacle Avoiding Rectilinear Steiner Minimum Tree)をデータから解くためのディープラーニングベースの手法であるMazeNetを提案する。 MazeNetの重要な特徴はスケーラビリティです – 少数の端末を持つ迷路上でRCNNブロックをトレーニングするだけでよいのです。幅広い実験において、MazeNetはOARSMT解決の精度を完璧に達成し、従来の正確なアルゴリズムと比較してランタイムを大幅に削減し、最先端の近似アルゴリズムよりも多くの端末を処理することができる。
論文参考訳（メタデータ） (2024-10-24T15:19:48Z)
Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
論文参考訳（メタデータ） (2023-10-06T02:35:35Z)
OFA$^2$: A Multi-Objective Perspective for the Once-for-All Neural Architecture Search [79.36688444492405]
once-for-All(OFA)は、異なるリソース制約を持つデバイスのための効率的なアーキテクチャを探索する問題に対処するために設計された、ニューラルネットワーク検索(NAS)フレームワークである。我々は,探索段階を多目的最適化問題として明示的に考えることにより,効率の追求を一歩進めることを目指している。
論文参考訳（メタデータ） (2023-03-23T21:30:29Z)
GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
論文参考訳（メタデータ） (2022-05-30T16:22:53Z)
Combining Optimal Path Search With Task-Dependent Learning in a Neural Network [4.1712273169097305]
コスト値をシナプス重みに変換することにより,経路探索問題のニューラルネットワーク表現を定義することができることを示す。ネットワーク学習機構は, ネットワーク内の重みを手作業に応じて強化し, ネットワークの重み付けに適応できることを示す。
論文参考訳（メタデータ） (2022-01-26T18:29:00Z)
End-To-End Data-Dependent Routing in Multi-Path Neural Networks [0.9507070656654633]
本稿では,レイヤ内の並列計算におけるデータ依存資源割り当てを用いたマルチパスニューラルネットワークを提案する。我々のネットワークは、画像認識タスクにおいて、既存の拡張および適応的な特徴抽出、さらにはアンサンブルやより深いネットワークよりも優れた性能を示す。
論文参考訳（メタデータ） (2021-07-06T07:58:07Z)
Multi-layered Network Exploration via Random Walks: From Offline Optimization to Online Learning [33.450042829375086]
マルチレイヤネットワーク探索(MuLaNE)問題は、多くのアプリケーションから抽象化された重要な問題である。 MuLaNEには複数のネットワーク層があり、各ノードは重みを持ち、各レイヤはランダムウォークによって探索される。オフライン最適化からオンライン学習まで,この問題を体系的に研究する。
論文参考訳（メタデータ） (2021-06-09T13:35:39Z)
Purification and Entanglement Routing on Quantum Networks [55.41644538483948]
不完全なチャネルフィリティと限られたメモリ記憶時間を備えた量子ネットワークは、ユーザ間の絡み合いを分散することができる。本稿では,量子ネットワーク上の2ノード間で共有される絡み合いを最大化するための高速パスフィニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-11-23T19:00:01Z)
ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文参考訳（メタデータ） (2020-06-28T23:09:27Z)
Feature-Dependent Cross-Connections in Multi-Path Neural Networks [7.230526683545722]
マルチパスネットワークは冗長な特徴を学習する傾向がある。このような経路に対して,入ってくる特徴写像をインテリジェントに割り当てる機構を導入する。従来手法や最先端手法と比較して,画像認識精度が向上した。
論文参考訳（メタデータ） (2020-06-24T17:38:03Z)
A "Network Pruning Network" Approach to Deep Model Compression [62.68120664998911]
マルチタスクネットワークを用いた深部モデル圧縮のためのフィルタプルーニング手法を提案する。我々のアプローチは、プレナーネットワークを学習して、事前訓練されたターゲットネットワークを訓練することに基づいている。提案手法によって生成された圧縮モデルは汎用的であり,特別なハードウェア/ソフトウェアのサポートは不要である。
論文参考訳（メタデータ） (2020-01-15T20:38:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。