論文の概要: Query Answering via Decentralized Search
- arxiv url: http://arxiv.org/abs/2012.12192v2
- Date: Sat, 26 Dec 2020 22:26:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 18:15:42.101693
- Title: Query Answering via Decentralized Search
- Title（参考訳）: 分散検索によるクエリ応答
- Authors: Liang Ma
- Abstract要約: 分散検索は、最もベーシックでスケーラブルなルーティングメカニズムである。
分散検索は、ネットワークのグローバル構造を知ることなく、各専門家のローカル情報に基づいて機能する。
専門知識レベルを誤解釈することによって生じる推定誤差に対して,分散検索は頑健であることを示す。
- 参考スコア（独自算出の注目度）: 1.5780411262109524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Expert networks are formed by a group of expert-professionals with different
specialties to collaboratively resolve specific queries posted to the network.
In such networks, when a query reaches an expert who does not have sufficient
expertise, this query needs to be routed to other experts for further
processing until it is completely solved; therefore, query answering efficiency
is sensitive to the underlying query routing mechanism being used. Among all
possible query routing mechanisms, decentralized search, operating purely on
each expert's local information without any knowledge of network global
structure, represents the most basic and scalable routing mechanism, which is
applicable to any network scenarios even in dynamic networks. However, there is
still a lack of fundamental understanding of the efficiency of decentralized
search in expert networks. In this regard, we investigate decentralized search
by quantifying its performance under a variety of network settings. Our key
findings reveal the existence of network conditions, under which decentralized
search can achieve significantly short query routing paths (i.e., between
$O(\log n)$ and $O(\log^2 n)$ hops, $n$: total number of experts in the
network). Based on such theoretical foundation, we further study how the unique
properties of decentralized search in expert networks is related to the
anecdotal small-world phenomenon. In addition, we demonstrate that
decentralized search is robust against estimation errors introduced by
misinterpreting the required expertise levels. To the best of our knowledge,
this is the first work studying fundamental behaviors of decentralized search
in expert networks. The developed performance bounds, confirmed by real
datasets, are able to assist in predicting network performance and designing
complex expert networks.
- Abstract（参考訳）: エキスパートネットワークは、ネットワークに投稿された特定のクエリを協調的に解決するために、異なる専門性を持つ専門家専門家のグループによって形成される。
このようなネットワークでは、十分な専門知識を持たない専門家に問い合わせが届くと、このクエリを他の専門家にルーティングして、完全に解決するまで処理する必要があるため、クエリ応答効率は、使用されているクエリルーティングメカニズムに敏感である。
可能なすべてのクエリルーティング機構のうち、ネットワークのグローバル構造を知らずに各専門家のローカル情報に対して純粋に動作する分散検索は、最も基本的でスケーラブルなルーティング機構であり、動的ネットワークにおいても任意のネットワークシナリオに適用できる。
しかし、専門家ネットワークにおける分散検索の効率性に関する基本的な理解が不足している。
本稿では,様々なネットワーク環境下での性能を定量化し,分散検索について検討する。
我々の重要な発見はネットワーク条件の存在を示し、その下にある分散検索は、非常に短いクエリルーティングパスを実現することができる(すなわち、$O(\log n)$と$O(\log^2 n)$ホップ、$n$:ネットワークの専門家の総数)。
このような理論的基礎に基づき、専門家ネットワークにおける分散探索のユニークな性質が、逸話的小世界現象とどのように関連しているかをさらに研究する。
さらに,必要な専門知識レベルを誤解釈することによって生じる推定誤差に対して,分散検索が堅牢であることを示す。
我々の知る限りでは、これはエキスパートネットワークにおける分散検索の基本的な振る舞いを研究する最初の研究である。
開発したパフォーマンス境界は、実際のデータセットによって確認され、ネットワークパフォーマンスの予測と複雑なエキスパートネットワークの設計を支援することができる。
関連論文リスト
- Reinforcement Learning Discovers Efficient Decentralized Graph Path Search Strategies [4.77487125476894]
グラフパス探索は、強化学習で最近アプローチされた古典的なコンピュータサイエンス問題である。
グラフパス探索のためのマルチエージェント手法を提案し, 相同性と構造的不均一性の両方をうまく活用する。
この結果から,グラフナビゲーションのための意味のある埋め込みを報酬駆動学習を用いて構築できることが示唆された。
論文 参考訳（メタデータ） (2024-09-12T10:56:38Z) - Searching a Lightweight Network Architecture for Thermal Infrared Pedestrian Tracking [15.685218702661404]
AlexNetとResNetは熱赤外歩行者追跡アプリケーションにおけるバックボーンネットワークとして広く利用されている。
本稿では,TIR-PTのための最適ネットワークアーキテクチャの探索を早期に試みる。
その結果、パラメータと計算効率の両方で高性能なネットワークアーキテクチャが実現した。
論文 参考訳（メタデータ） (2024-02-26T13:48:44Z) - Rank Diminishing in Deep Neural Networks [71.03777954670323]
ニューラルネットワークのランクは、層をまたがる情報を測定する。
これは機械学習の幅広い領域にまたがる重要な構造条件の例である。
しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
論文 参考訳（メタデータ） (2022-06-13T12:03:32Z) - Understanding and Accelerating Neural Architecture Search with
Training-Free and Theory-Grounded Metrics [117.4281417428145]
この作業は、ニューラルネットワークサーチ(NAS)のための原則的で統一的なトレーニングフリーフレームワークの設計を目標としている。
NASは、高性能ニューラルネットワークの発見を自動化するために爆発的に研究されてきたが、資源消費に悩まされ、しばしば訓練や近似によって探索バイアスを引き起こす。
我々は,検索ネットワークの「TEG」特性を解消し,NASを理解し,加速するための統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2021-08-26T17:52:07Z) - Towards Understanding Theoretical Advantages of Complex-Reaction
Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。
経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文 参考訳（メタデータ） (2021-08-15T10:13:49Z) - Full network nonlocality [68.8204255655161]
ネットワーク内のすべてのリンクが非ローカルリソースを分散するために必要となる相関関係を記述した完全ネットワーク非ローカル性の概念を導入する。
最もよく知られているネットワークベル試験では,ネットワークの非局所性は見られていない。
より一般に、ネットワーク内の局所的および理論に依存しない相関を解析するための確立された手法は、完全なネットワーク非局所性のための十分な条件を導出するために組み合わせることができると指摘する。
論文 参考訳（メタデータ） (2021-05-19T18:00:02Z) - Topological Uncertainty: Monitoring trained neural networks through
persistence of activation graphs [0.9786690381850356]
産業アプリケーションでは、オープンワールド設定から得られるデータは、ネットワークがトレーニングされたベンチマークデータセットと大きく異なる可能性がある。
活性化グラフのトポロジ的特性に基づいて訓練されたニューラルネットワークを監視する手法を開発している。
論文 参考訳（メタデータ） (2021-05-07T14:16:03Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - Characterization and Identification of Cloudified Mobile Network
Performance Bottlenecks [0.0]
この研究は、5Gモバイルネットワークが経験できるパフォーマンスボトルネックの範囲を実験的に調査する最初の試みである。
特に,分散分析はボトルネック識別精度と帰納的計算・通信オーバーヘッドの両方において合理的に機能することがわかった。
論文 参考訳（メタデータ） (2020-07-22T14:46:51Z)
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。