論文の概要: Autonomous Graph Mining Algorithm Search with Best Speed/Accuracy Trade-off

• arxiv url: http://arxiv.org/abs/2011.14925v1
• Date: Thu, 26 Nov 2020 02:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 08:19:38.796521
• Title: Autonomous Graph Mining Algorithm Search with Best Speed/Accuracy Trade-off
• Title（参考訳）: 最適な速度/精度トレードオフを持つ自律グラフマイニングアルゴリズム探索
• Authors: Minji Yoon, Th\'eophile Gervet, Bryan Hooi, and Christos Faloutsos
• Abstract要約: 本稿では,グラフマイニングアルゴリズム開発のための自動システムを提案する。 まず、様々なメッセージパッシングに基づくグラフアルゴリズムを統合する統一フレームワークUNIFIEDGMを定義する。 次に、UNIFIEDGMを用いて、グラフアルゴリズムを決定するために5つのパラメータを必要とする探索空間を定義する。
• 参考スコア（独自算出の注目度）: 34.87920835957083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph data is ubiquitous in academia and industry, from social networks to bioinformatics. The pervasiveness of graphs today has raised the demand for algorithms that can answer various questions: Which products would a user like to purchase given her order list? Which users are buying fake followers to increase their public reputation? Myriads of new graph mining algorithms are proposed every year to answer such questions - each with a distinct problem formulation, computational time, and memory footprint. This lack of unity makes it difficult for a practitioner to compare different algorithms and pick the most suitable one for a specific application. These challenges - even more severe for non-experts - create a gap in which state-of-the-art techniques developed in academic settings fail to be optimally deployed in real-world applications. To bridge this gap, we propose AUTOGM, an automated system for graph mining algorithm development. We first define a unified framework UNIFIEDGM that integrates various message-passing based graph algorithms, ranging from conventional algorithms like PageRank to graph neural networks. Then UNIFIEDGM defines a search space in which five parameters are required to determine a graph algorithm. Under this search space, AUTOGM explicitly optimizes for the optimal parameter set of UNIFIEDGM using Bayesian Optimization. AUTOGM defines a novel budget-aware objective function for the optimization to incorporate a practical issue - finding the best speed-accuracy trade-off under a computation budget - into the graph algorithm generation problem. Experiments on real-world benchmark datasets demonstrate that AUTOGM generates novel graph mining algorithms with the best speed/accuracy trade-off compared to existing models with heuristic parameters.
• Abstract（参考訳）: グラフデータは、ソーシャルネットワークからバイオインフォマティクスまで、学界や業界に普及している。 今日のグラフの普及によって、さまざまな質問に答えるアルゴリズムの需要が高まりました。 公の評判を高めるために、どのユーザーが偽フォロワーを買っているか? 様々な新しいグラフマイニングアルゴリズムが毎年提案されており、それぞれに異なる問題定式化、計算時間、メモリフットプリントがある。 この統一性の欠如は、実践者が異なるアルゴリズムを比較して、特定のアプリケーションに適したものを選ぶのを難しくする。 これらの課題 — 非専門家にとってさらに厳しい – は、学術的な環境で開発された最先端の技術が現実世界のアプリケーションに最適にデプロイされないというギャップを生み出します。 このギャップを埋めるため,グラフマイニングアルゴリズムの自動化システムであるAUTOGMを提案する。 まず、PageRankのような従来のアルゴリズムからグラフニューラルネットワークまで、さまざまなメッセージパスベースのグラフアルゴリズムを統合する統一フレームワークUNIFIEDGMを定義します。 UNIFIEDGMは、グラフアルゴリズムを決定するために5つのパラメータを必要とする検索空間を定義する。 この探索空間下では、AUTOGMはベイズ最適化を用いてUNIFIEDGMの最適パラメータセットを明示的に最適化する。 autogmは最適化のための新しい予算認識目的関数を定義し、計算予算の下で最適な速度精度トレードオフを見つけるという現実的な問題をグラフアルゴリズム生成問題に取り入れている。 実世界のベンチマークデータセットの実験では、AUTOGMは、ヒューリスティックパラメータを持つ既存のモデルと比較して、速度/精度のトレードオフが最も優れた新しいグラフマイニングアルゴリズムを生成する。

関連論文リスト

• Combinatorial Optimization with Automated Graph Neural Networks [28.19349828026972]
  NP-hard CO 問題,すなわち textbfAutoGNP を解決するために,textbfAUTOmated textbfGNN のクラスを新たに提案する。 AutoGNPの考え方は、グラフニューラルアーキテクチャ検索アルゴリズムを使用して、与えられたNPハード最適化問題に対して最適なGNNを自動的に見つけることである。
  論文  参考訳（メタデータ） (2024-06-05T02:43:41Z)
• Learning-Based Algorithms for Graph Searching Problems [6.923787372512553]
  本稿では,Banerjeeらによって最近導入された予測付きグラフ探索の問題点について考察する。 この問題では、ある$r$から始まるエージェントは、隠れたゴールノード$g$を見つけるために、(潜在的に未知の)グラフ$G$をトラバースしなければならない。 我々は未知のグラフ上でこの探索タスクのアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-02-27T18:12:58Z)
• A Metaheuristic Algorithm for Large Maximum Weight Independent Set Problems [58.348679046591265]
  ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。 このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。 我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-28T21:34:16Z)
• Robustification of Online Graph Exploration Methods [59.50307752165016]
  我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。 本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-10T10:02:31Z)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)
• Graph Matching via Optimal Transport [11.93151370164898]
  グラフマッチング問題の解決は、運用研究、コンピュータビジョン、神経科学などへの応用により、ますます重要になっている。 現在の最先端のアルゴリズムは、非常に大きなグラフのマッチングには非効率であるが、精度は高い。 我々は,最新のグラフマッチングアルゴリズム "FAQ" (Vogelstein, 2015) を改良した GOAT を,その線形和割り当てステップを Cuturi (2013) の "Lightspeed Optimal Transport" メソッドに置き換える。
  論文  参考訳（メタデータ） (2021-11-09T19:18:18Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Gumbel-softmax-based Optimization: A Simple General Framework for Optimization Problems on Graphs [5.486093983007419]
  本稿では,ディープラーニングフレームワークによって強化された高度な自動微分技術に基づく,シンプルで高速で汎用的なアルゴリズムフレームワークを提案する。 高品質なソリューションは、従来のアプローチに比べてはるかに少ない時間で得られる。
  論文  参考訳（メタデータ） (2020-04-14T14:11:00Z)
• GLSearch: Maximum Common Subgraph Detection via Learning to Search [33.9052190473029]
  検索モデルに対するグラフニューラルネットワーク(GNN)に基づく学習手法であるGLSearchを提案する。 このモデルでは2つの入力グラフから1対のノードを選択して一度に拡張する。 我々のGLSearchは、グラフ上の制約で他の多くの問題を解決するために拡張できる可能性がある。
  論文  参考訳（メタデータ） (2020-02-08T10:03:40Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。