Fugu-MT 論文翻訳(概要): Best Arm Identification in Graphical Bilinear Bandits

論文の概要: Best Arm Identification in Graphical Bilinear Bandits

arxiv url: http://arxiv.org/abs/2012.07641v2
Date: Fri, 12 Feb 2021 11:37:06 GMT
ステータス: 処理完了
システム内更新日: 2021-05-08 23:43:11.307962
Title: Best Arm Identification in Graphical Bilinear Bandits
Title（参考訳）: グラフィックバイリニアバンドにおけるベストアーム識別
Authors: Geovani Rizk and Albert Thomas and Igor Colin and Rida Laraki and Yann Chevaleyre
Abstract要約: 本稿では,学習者がグラフのノードにアームを割り当てる,新しいグラフィカル双線形帯域問題を提案する。学習者が双線形報酬の合計を最大化するグラフ割り当てを見つけたいと思う最良の腕識別問題について研究する。
参考スコア（独自算出の注目度）: 9.052414772641011
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a new graphical bilinear bandit problem where a learner (or a \emph{central entity}) allocates arms to the nodes of a graph and observes for each edge a noisy bilinear reward representing the interaction between the two end nodes. We study the best arm identification problem in which the learner wants to find the graph allocation maximizing the sum of the bilinear rewards. By efficiently exploiting the geometry of this bandit problem, we propose a \emph{decentralized} allocation strategy based on random sampling with theoretical guarantees. In particular, we characterize the influence of the graph structure (e.g. star, complete or circle) on the convergence rate and propose empirical experiments that confirm this dependency.
Abstract（参考訳）: 本稿では,学習者(あるいは \emph{central entity})がグラフのノードにアームを割り当て,両端ノード間の相互作用を表す雑音の多いバイリニア報酬を各エッジで観測する,新しいグラフィカル双線形帯域問題を提案する。両線形報酬の和を最大化するグラフ割り当てを学習者が求めている最適なアーム識別問題について検討する。このバンドイット問題の幾何を効率的に利用することにより、理論的保証のあるランダムサンプリングに基づく 'emph{decentralized} 割り当て戦略を提案する。特に、グラフ構造(例えば、グラフ構造)の影響を特徴付ける。 star, complete, circle) 収束率を計算し、この依存性を確認する実証実験を提案する。

関連論文リスト

Bridging Rested and Restless Bandits with Graph-Triggering: Rising and Rotting [67.1631453378926]
Graph-Triggered Banditsは、安静と安静のバンディットを一般化するフレームワークである。本研究は,2種類の単調包帯に焦点をあてる: 立ち上がり, 腕の期待される報酬が増加する, 引き金の数が増える, 回転する, 反対の行動が起こる。
論文参考訳（メタデータ） (2024-09-09T18:23:07Z)
Random Geometric Graph Alignment with Graph Neural Networks [8.08963638000146]
グラフニューラルネットワークは、2つのグラフの頂点間の未知の1対1マッピングを復元可能であることを示す。また、ノイズレベルの条件が対数的要因に厳密であることも証明した。ノイズレベルが少なくとも一定である場合、この直接マッチングは完全なリカバリが得られず、グラフニューラルネットワークは、グラフの大きさのパワーと同じくらいの速さで成長するノイズレベルを許容できることを示した。
論文参考訳（メタデータ） (2024-02-12T00:18:25Z)
Joint graph learning from Gaussian observations in the presence of hidden nodes [26.133725549667734]
本稿では,隠れ変数の存在を考慮した共同グラフ学習法を提案する。従来の考察から得られた構造を利用して凸最適化問題を提案する。提案したアルゴリズムを異なるベースラインで比較し、合成グラフと実世界のグラフ上での性能を評価する。
論文参考訳（メタデータ） (2022-12-04T13:03:41Z)
An $\alpha$-No-Regret Algorithm For Graphical Bilinear Bandits [15.29268368415036]
本稿では,グラフィカルビリニア帯域問題に対する最初の後悔に基づくアプローチを提案する。本稿では,不確実性に直面した楽観主義の原理を用いて,バイリニアバンディットに対する最初の後悔に基づくアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-01T12:55:17Z)
Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。 G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
論文参考訳（メタデータ） (2022-02-13T07:46:24Z)
Pure Exploration in Multi-armed Bandits with Graph Side Information [11.633592964399806]
グラフ側情報を用いたマルチアームバンディットの純粋探索について検討する。この問題に対する新しいアルゴリズムGRUB(GRaph based UcB)を提案する。利用可能なグラフ側情報を利用することで、純粋な探索法よりも大きな改善がもたらされることが示される。
論文参考訳（メタデータ） (2021-08-02T20:06:04Z)
Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。実験の結果,本手法は著しい改善をもたらすことがわかった。
論文参考訳（メタデータ） (2021-03-30T17:36:40Z)
A Thorough View of Exact Inference in Graphs from the Degree-4 Sum-of-Squares Hierarchy [37.34153902687548]
各エッジの1つの破損した観測からノードの未知の接地型バイナリラベリングを正確に回収する問題に取り組む。この問題に対して、和の平方階層と呼ばれるリラクゼーションの階層を適用します。我々は、緩和問題の双対の解がジョンソングラフとクネーサーグラフのエッジウェイトを見つけることに関連していることを示した。
論文参考訳（メタデータ） (2021-02-16T08:36:19Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文参考訳（メタデータ） (2020-09-30T04:59:10Z)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。