Fugu-MT 論文翻訳(概要): Mind Your Solver! On Adversarial Attack and Defense for Combinatorial Optimization

論文の概要: Mind Your Solver! On Adversarial Attack and Defense for Combinatorial Optimization

arxiv url: http://arxiv.org/abs/2201.00402v1
Date: Tue, 28 Dec 2021 15:10:15 GMT
ステータス: 処理完了
システム内更新日: 2022-01-09 12:41:44.882495
Title: Mind Your Solver! On Adversarial Attack and Defense for Combinatorial Optimization
Title（参考訳）: Mind Your Solver! 組合せ最適化のための逆攻撃と防御について
Authors: Han Lu, Zenan Li, Runzhong Wang, Qibing Ren, Junchi Yan, Xiaokang Yang
Abstract要約: 我々は,最適解法に対する敵攻撃と防御のメカニズムの開発を主導する。本稿では, グラフ構造を改良し, 解法の堅牢性を高めるための, 単純かつ効果的な防衛戦略を提案する。
参考スコア（独自算出の注目度）: 111.78035414744045
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Combinatorial optimization (CO) is a long-standing challenging task not only in its inherent complexity (e.g. NP-hard) but also the possible sensitivity to input conditions. In this paper, we take an initiative on developing the mechanisms for adversarial attack and defense towards combinatorial optimization solvers, whereby the solver is treated as a black-box function and the original problem's underlying graph structure (which is often available and associated with the problem instance, e.g. DAG, TSP) is attacked under a given budget. In particular, we present a simple yet effective defense strategy to modify the graph structure to increase the robustness of solvers, which shows its universal effectiveness across tasks and solvers.
Abstract（参考訳）: 組合せ最適化(co)は、本質的な複雑性(例えばnpハード)だけでなく、入力条件に対する感度も考慮した、長年の課題である。本稿では,コンビネート最適化ソルバに対する敵意攻撃と防御のメカニズムの開発に取り組み,その機構をブラックボックス関数として処理し,問題の根底にあるグラフ構造(dag,tspなど,問題例と関連付けられることが多い)を所定の予算で攻撃する。特に,計算器の堅牢性を高めるため,グラフ構造を変更するための簡易かつ効果的な防御戦略を提案する。

関連論文リスト

Assessing and Enhancing Graph Neural Networks for Combinatorial Optimization: Novel Approaches and Application in Maximum Independent Set Problems [0.0]
Graph Neural Networks (GNNs)は、コンビネーション最適化(CO)問題の解決における研究者の約束を示す。本研究では,最大独立集合(MIS)問題の解法におけるGNNの有効性について検討した。
論文参考訳（メタデータ） (2024-11-06T09:12:31Z)
An Unsupervised Learning Framework Combined with Heuristics for the Maximum Minimal Cut Problem [5.092968949752308]
本研究は,MMCPの最大値と非教師なし学習フレームワークを提案する。重要な観察は、それぞれの溶液が少なくとも1本の枝木に対応することである。フレームワークを評価し、特定のアプリケーションを提供するために、広範な実験を行います。
論文参考訳（メタデータ） (2024-08-16T02:07:34Z)
Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
論文参考訳（メタデータ） (2024-06-05T22:52:27Z)
The Complexity of Optimizing Atomic Congestion [14.845310803203724]
アトミック・渋滞ゲームは、ネットワーク設計、ルーティング、アルゴリズムゲーム理論において古典的なトピックである。非常に単純なネットワークでも問題は非常に難解なままである。我々は、この問題の(さらに難しい)min-max変種に対する分析を拡張して結論付ける。
論文参考訳（メタデータ） (2023-12-15T21:31:30Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
Structured Q-learning For Antibody Design [82.78798397798533]
抗体設計における重要なステップの1つは、病原体との結合を改善するタンパク質配列中のアミノ酸の配列を見つけることである。非常に大きな探索空間と非線形目的のために、抗体の組合せ最適化は困難である。従来の強化学習を抗体設計の最適化に適用すると、性能は低下する。本稿では,Q-ラーニングの拡張であるQ-ラーニングを提案する。
論文参考訳（メタデータ） (2022-09-10T15:36:55Z)
A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
論文参考訳（メタデータ） (2021-06-09T09:18:18Z)
Reversible Action Design for Combinatorial Optimization with Reinforcement Learning [35.50454156611722]
強化学習(rl)は、これらの問題に取り組むための新しいフレームワークとして最近登場した。最先端の実証性能を示すだけでなく、様々な種類のCOPに一般化する汎用RLフレームワークを提案します。
論文参考訳（メタデータ） (2021-02-14T18:05:42Z)
MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。異種車両ルーティング問題に対するMineReduceの適用について述べる。
論文参考訳（メタデータ） (2020-05-15T08:49:50Z)
Sparse Optimization for Green Edge AI Inference [28.048770388766716]
エネルギー効率の良いエッジAI推論を実現するために,共同推論タスク選択とダウンリンクビームフォーミング戦略を提案する。タスク選択の集合とグループ間隔送信ビームフォーミングベクトルとの固有の接続を利用して、グループスパースビームフォーミング問題として最適化を再構成する。我々は,グローバル収束解析を確立し,このアルゴリズムのエルゴード最悪の収束率を提供する。
論文参考訳（メタデータ） (2020-02-24T05:21:58Z)

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。