Fugu-MT 論文翻訳(概要): Learning Combinatorial Node Labeling Algorithms

論文の概要: Learning Combinatorial Node Labeling Algorithms

arxiv url: http://arxiv.org/abs/2106.03594v1
Date: Mon, 7 Jun 2021 13:21:09 GMT
ステータス: 処理完了
システム内更新日: 2021-06-08 17:48:52.089178
Title: Learning Combinatorial Node Labeling Algorithms
Title（参考訳）: 組合せノードラベルアルゴリズムの学習
Authors: Lukas Gianinazzi, Maximilian Fries, Nikoli Dryden, Tal Ben-Nun, Torsten Hoefler
Abstract要約: 強化学習を用いてグラフカラー化を学習するグラフニューラルネットワークを提案する。我々の学習した決定論は古典的な次数に基づく欲求よりも優れた解を与える。
参考スコア（独自算出の注目度）: 8.687178298010968
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a graph neural network to learn graph coloring heuristics using reinforcement learning. Our learned deterministic heuristics give better solutions than classical degree-based greedy heuristics and only take seconds to evaluate on graphs with tens of thousands of vertices. As our approach is based on policy-gradients, it also learns a probabilistic policy as well. These probabilistic policies outperform all greedy coloring baselines and a machine learning baseline. Our approach generalizes several previous machine-learning frameworks, which applied to problems like minimum vertex cover. We also demonstrate that our approach outperforms two greedy heuristics on minimum vertex cover.
Abstract（参考訳）: 本稿では,強化学習を用いたグラフカラーヒューリスティックス学習のためのグラフニューラルネットワークを提案する。我々の学習した決定論的ヒューリスティックスは古典的な次数に基づく欲求的ヒューリスティックよりも優れた解を与え、数万の頂点を持つグラフ上でのみ数秒で評価する。当社のアプローチは政策段階に基づいており、確率的政策も学んでいます。これらの確率的ポリシーは、すべての色付けベースラインと機械学習ベースラインを上回ります。提案手法は,最小頂点被覆などの問題に適用された,従来の機械学習フレームワークを一般化する。また,本手法は最小頂点被覆における2つのグリーディヒューリスティックよりも優れていることを示す。

関連論文リスト

Generating a Graph Colouring Heuristic with Deep Q-Learning and Graph Neural Networks [5.620334754517149]
本稿では,グラフカラー化の競争的構築を見つけるために,深層強化学習が有効かどうかを検討する。提案手法であるReLColでは,深層Q-ラーニングとグラフニューラルネットワークを用いて特徴抽出を行う。グラフカラー化問題のさらなる研究には,強化学習が有望な方向であることを実証する。
論文参考訳（メタデータ） (2023-04-08T15:41:01Z)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
Learning Heuristics for the Maximum Clique Enumeration Problem Using Low Dimensional Representations [0.0]
本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
論文参考訳（メタデータ） (2022-10-30T22:04:32Z)
Learning Graph Regularisation for Guided Super-Resolution [77.7568596501908]
誘導超解像のための新しい定式化を導入する。そのコアは、学習親和性グラフ上で動作する微分可能な最適化層である。提案手法をいくつかのデータセット上で広範囲に評価し, 定量的な再構成誤差の点から最近のベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2022-03-27T13:12:18Z)
Graph Coloring with Physics-Inspired Graph Neural Networks [0.0]
正準グラフ着色問題の解法としてグラフニューラルネットワークを用いる方法を示す。マルチクラスノード分類問題としてグラフカラー化を行い,教師なし学習戦略を利用する。
論文参考訳（メタデータ） (2022-02-03T14:24:12Z)
A deep learning guided memetic framework for graph coloring problems [15.426481600285724]
グラフカラー化のための"古典的"メタヒューリスティックス(classical metaheuristics)の最高のツールと、ディープニューラルネットワークを組み合わせた新しいフレームワークを提案する。アルゴリズムにおけるディープラーニングの寄与についての研究は、この問題に対するより良い解を得るのに有用な関連パターンを学習することが可能であることを強調している。
論文参考訳（メタデータ） (2021-09-13T13:17:41Z)
Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文参考訳（メタデータ） (2021-03-30T08:58:45Z)
Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文参考訳（メタデータ） (2020-10-25T22:39:31Z)
Reward Propagation Using Graph Convolutional Networks [61.32891095232801]
本稿では,グラフ表現学習のアイデアを活用した潜在機能学習フレームワークを提案する。我々のアプローチは、強化学習の確率論的推論と組み合わせて、重要な要素として使用するグラフ畳み込みネットワークに依存している。
論文参考訳（メタデータ） (2020-10-06T04:38:16Z)
Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文参考訳（メタデータ） (2020-04-06T13:25:46Z)
Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。