Fugu-MT 論文翻訳(概要): Learning Combinatorial Optimization on Graphs: A Survey with Applications to Networking

論文の概要: Learning Combinatorial Optimization on Graphs: A Survey with Applications to Networking

arxiv url: http://arxiv.org/abs/2005.11081v2
Date: Mon, 13 Jul 2020 18:03:39 GMT
ステータス: 処理完了
システム内更新日: 2022-11-30 08:13:16.307595
Title: Learning Combinatorial Optimization on Graphs: A Survey with Applications to Networking
Title（参考訳）: グラフの学習組合せ最適化:ネットワークへの応用に関する調査
Authors: Natalia Vesselinova, Rebecca Steinert, Daniel F. Perez-Ramirez, and Magnus Boman
Abstract要約: グラフ上の最適化問題を解くための既存のアプローチは、アルゴリズムで各問題を設計する必要がある。我々は,通信分野に特化して,学習に関わる構造を整理し,比較する。
参考スコア（独自算出の注目度）: 2.817395666721831
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Existing approaches to solving combinatorial optimization problems on graphs suffer from the need to engineer each problem algorithmically, with practical problems recurring in many instances. The practical side of theoretical computer science, such as computational complexity, then needs to be addressed. Relevant developments in machine learning research on graphs are surveyed for this purpose. We organize and compare the structures involved with learning to solve combinatorial optimization problems, with a special eye on the telecommunications domain and its continuous development of live and research networks.
Abstract（参考訳）: グラフ上の組合せ最適化問題に対する既存のアプローチは、多くのケースで現実的な問題を繰り返しながら、アルゴリズム的に各問題を設計する必要がある。計算複雑性のような理論計算機科学の実践的な側面に対処する必要がある。この目的のために、グラフに関する機械学習研究の関連進展を調査した。我々は,通信分野とその生活・研究ネットワークの継続的な発展に注目し,組合せ最適化問題を解決するために学習に関わる構造を整理・比較する。

関連論文リスト

Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
論文参考訳（メタデータ） (2024-07-01T16:53:00Z)
Graph Reinforcement Learning for Combinatorial Optimization: A Survey and Unifying Perspective [6.199818486385127]
我々は、強化学習の試行錯誤パラダイムを用いて、より良い意思決定戦略を発見する。この研究は、パフォーマンスアルゴリズムが典型的に知られていない非標準グラフ問題に焦点を当てている。
論文参考訳（メタデータ） (2024-04-09T17:45:25Z)
On a class of geodesically convex optimization problems solved via Euclidean MM methods [50.428784381385164]
ユークリッド凸化関数の違いは、統計学と機械学習の異なるタイプの問題の違いとして記述できることを示す。最終的に、より広い範囲、より広い範囲の作業を支援するのです。
論文参考訳（メタデータ） (2022-06-22T23:57:40Z)
Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文参考訳（メタデータ） (2022-05-03T07:54:56Z)
A Differentiable Approach to Combinatorial Optimization using Dataless Neural Networks [20.170140039052455]
我々は、ソリューションを生成するニューラルネットワークのトレーニングにデータを必要としないという、根本的に異なるアプローチを提案する。特に、最適化問題をニューラルネットワークに還元し、データレストレーニングスキームを用いて、それらのパラメータが関心の構造をもたらすように、ネットワークのパラメータを洗練する。
論文参考訳（メタデータ） (2022-03-15T19:21:31Z)
Solving Dynamic Graph Problems with Multi-Attention Deep Reinforcement Learning [1.3534683694551497]
近年,NP-hardグラフ問題に対する解を見つけるためのディープラーニング技術が注目されている。本稿では,グラフに基づく動的最適化問題の解法を学ぶために,GTA-RL (Graph Temporal Attention with Reinforcement Learning) という新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-01-13T11:36:05Z)
A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文参考訳（メタデータ） (2021-07-14T18:09:08Z)
End-to-End Constrained Optimization Learning: A Survey [69.22203885491534]
機械学習アーキテクチャとソルバと最適化手法を統合する作業の調査に焦点を当てている。これらのアプローチは、問題に対する迅速、近似、構造的、解決策を予測し、論理的推論を可能にする新しいハイブリッド機械学習と最適化手法を開発することを約束します。
論文参考訳（メタデータ） (2021-03-30T14:19:30Z)
Combinatorial optimization and reasoning with graph neural networks [7.8107109904672365]
コンビナート最適化は、オペレーション研究とコンピュータサイエンスにおいて確立された領域です。近年、機械学習、特にグラフニューラルネットワーク(GNN)をタスクの重要なビルディングブロックとして使用することへの関心が高まっています。
論文参考訳（メタデータ） (2021-02-18T18:47:20Z)
Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文参考訳（メタデータ） (2020-07-31T13:21:33Z)

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。