Fugu-MT 論文翻訳(概要): Graph Coloring with Physics-Inspired Graph Neural Networks

論文の概要: Graph Coloring with Physics-Inspired Graph Neural Networks

arxiv url: http://arxiv.org/abs/2202.01606v1
Date: Thu, 3 Feb 2022 14:24:12 GMT
ステータス: 処理完了
システム内更新日: 2022-02-04 14:27:34.261255
Title: Graph Coloring with Physics-Inspired Graph Neural Networks
Title（参考訳）: 物理インスパイアされたグラフニューラルネットワークによるグラフカラー化
Authors: Martin J. A. Schuetz, J. Kyle Brubaker, Zhihuai Zhu, Helmut G. Katzgraber
Abstract要約: 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。
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: We show how graph neural networks can be used to solve the canonical graph coloring problem. We frame graph coloring as a multi-class node classification problem and utilize an unsupervised training strategy based on the statistical physics Potts model. Generalizations to other multi-class problems such as community detection, data clustering, and the minimum clique cover problem are straightforward. We provide numerical benchmark results and illustrate our approach with an end-to-end application for a real-world scheduling use case within a comprehensive encode-process-decode framework. Our optimization approach performs on par or outperforms existing solvers, with the ability to scale to problems with millions of variables.
Abstract（参考訳）: 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。グラフ彩色を多クラスノード分類問題として枠付けし,統計物理学的ポッツモデルに基づく教師なし学習戦略を用いる。コミュニティ検出、データクラスタリング、最小のクランクカバー問題など、他のマルチクラス問題への一般化は簡単である。提案手法は,汎用的なエンコード・プロセス・デコード・フレームワーク内の実世界のスケジューリング・ユースケースに対して,エンド・ツー・エンドのアプリケーションを用いて検証する。我々の最適化アプローチは、既存の解法と同等かそれ以上かで、何百万もの変数で問題にスケールできる。

関連論文リスト

Efficient Graph Coloring with Neural Networks: A Physics-Inspired Approach for Large Graphs [0.0]
本稿では,特に大規模グラフにおいて,グラフニューラルネットワークを有効活用する新しいアルゴリズムを提案する。本稿では,Erdos-Renyiグラフのデータセット上での手法の有効性を実証し,その適用性を示す。
論文参考訳（メタデータ） (2024-08-02T18:02:51Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
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)
Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。提案手法は,複数のMOTデータセット上での最先端性能を実現する。画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文参考訳（メタデータ） (2023-03-27T17:39:00Z)
A Graph Neural Network with Negative Message Passing for Graph Coloring [12.501032566933178]
本稿では,グラフカラー化のためのグラフネットワークモデルを提案する。我々は,より効果的な情報交換を行うために,提案したグラフニューラルネットワークに負のメッセージパッシングを導入する。ノードの自己情報を考慮した新たな損失関数が提案され,学習プロセスが促進される。
論文参考訳（メタデータ） (2023-01-26T15:08:42Z)
Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-05T10:46:11Z)
Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文参考訳（メタデータ） (2020-10-29T09:58:02Z)
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)
Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文参考訳（メタデータ） (2020-02-20T10:11:28Z)
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。