論文の概要: Improved Algorithm for the Network Alignment Problem with Application to Binary Diffing

• arxiv url: http://arxiv.org/abs/2112.15336v1
• Date: Fri, 31 Dec 2021 07:52:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-03 14:09:57.149768
• Title: Improved Algorithm for the Network Alignment Problem with Application to Binary Diffing
• Title（参考訳）: ネットワークアライメント問題に対する改良アルゴリズムとバイナリ差分法への応用
• Authors: Elie Mengin (SAMM), Fabrice Rossi (CEREMADE)
• Abstract要約: 本稿では,ネットワークアライメント問題に対処する新しいアルゴリズムを提案する。 実験により,提案モデルが他の最先端の解法よりも優れていることが示された。 また,バイナリ・ディッフィング問題に対処するため,本手法の応用を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a novel algorithm to address the Network Alignment problem. It is inspired from a previous message passing framework of Bayati et al. [2] and includes several modifications designed to significantly speed up the message updates as well as to enforce their convergence. Experiments show that our proposed model outperforms other state-of-the-art solvers. Finally, we propose an application of our method in order to address the Binary Diffing problem. We show that our solution provides better assignment than the reference differs in almost all submitted instances and outline the importance of leveraging the graphical structure of binary programs.
• Abstract（参考訳）: 本稿では,ネットワークアライメント問題に対処する新しいアルゴリズムを提案する。 Bayatiらによる以前のメッセージパッシングフレームワークから着想を得たものだ。 メッセージ更新を著しくスピードアップし、収束を強制するように設計されたいくつかの変更が含まれている。 実験の結果,提案手法は他の解法よりも優れていることがわかった。 最後に,バイナリ・ディッフィング問題に対処するため,本手法の応用を提案する。 提案手法は,ほとんどすべてのインスタンスで異なる参照よりも優れた割り当てを提供し,バイナリプログラムのグラフィカルな構造を活用することの重要性を概説する。

関連論文リスト

• Understanding GNNs for Boolean Satisfiability through Approximation Algorithms [0.0]
  本稿では,ブール満足度という文脈におけるグラフニューラルネットワークの解釈可能性について論じる。 目標は、これらのモデルの内部の動作を軽視し、意思決定プロセスに対する洞察力のある視点を提供することです。
  論文  参考訳（メタデータ） (2024-08-27T21:47:09Z)
• Improving Subject-Driven Image Synthesis with Subject-Agnostic Guidance [62.15866177242207]
  主観的条件を構築することにより、与えられた主観的条件と入力テキストプロンプトの両方に整合した出力が得られることを示す。 私たちのアプローチは概念的にはシンプルで、最小限のコード修正しか必要ありませんが、実質的な品質改善につながります。
  論文  参考訳（メタデータ） (2024-05-02T15:03:41Z)
• Graph Convolutional Networks and Graph Attention Networks for Approximating Arguments Acceptability -- Technical Report [0.27624021966289597]
  本稿では,GCN(Graph Convolutional Networks)の性能を,実行時と精度の両方で向上させる方法について述べる。 次に、グラフ注意ネットワーク(GAT)を用いて、ネットワークのアーキテクチャを変更することにより、アプローチの効率をさらに向上できることを示す。
  論文  参考訳（メタデータ） (2024-04-29T13:12:08Z)
• Equivariant Deep Weight Space Alignment [54.65847470115314]
  本稿では,ウェイトアライメント問題を解決するための学習を目的とした新しいフレームワークを提案する。 まず、重み調整が2つの基本対称性に一致することを証明し、それからこれらの対称性を尊重する深いアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-10-20T10:12:06Z)
• Graph Reinforcement Learning for Network Control via Bi-Level Optimization [37.00510744883984]
  我々は、データ駆動戦略がこのプロセスを自動化し、最適性を損なうことなく効率的なアルゴリズムを学習できると主張している。 我々は、強化学習のレンズを通してネットワーク制御の問題を提示し、幅広い問題に対処するグラフネットワークベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-16T03:20:22Z)
• Binary Diffing as a Network Alignment Problem via Belief Propagation [0.0]
  本稿では,プログラムのコールグラフ上でのグラフ編集問題の特別な事例として,この問題の新しい定式化を導入する。 この定式化はネットワークアライメント問題と等価であることを示す。 我々は,QBinDiffと呼ばれる手法のプロトタイプを実装し,この手法がアートディファリングツールの状況より優れていることを示す広範囲な評価手法を提案する。
  論文  参考訳（メタデータ） (2021-12-31T07:54:11Z)
• Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
  通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。 我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。 我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
  論文  参考訳（メタデータ） (2021-06-08T15:54:44Z)
• Weakly supervised cross-domain alignment with optimal transport [102.8572398001639]
  画像オブジェクトとテキストシーケンス間のクロスドメインアライメントは多くの視覚言語タスクの鍵となる。 本稿では,画像とテキスト間の微粒な意味的類似点の同定と最適化のための新しいアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-08-14T22:48:36Z)
• Taxonomy of Dual Block-Coordinate Ascent Methods for Discrete Energy Minimization [96.1052289276254]
  離散的グラフィカルモデルにおける最大姿勢推定問題と、二重ブロック座標法に基づく解法について考察する。 既存のすべてのソルバをひとつのフレームワークにマッピングし、設計原則をより深く理解できるようにします。
  論文  参考訳（メタデータ） (2020-04-16T15:49:13Z)
• Binary Neural Networks: A Survey [126.67799882857656]
  バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。 バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。 本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
  論文  参考訳（メタデータ） (2020-03-31T16:47:20Z)

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。