論文の概要: Belief propagation for supply networks: Efficient clustering of their factor graphs

• arxiv url: http://arxiv.org/abs/2203.00467v1
• Date: Tue, 1 Mar 2022 14:01:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 14:21:59.713014
• Title: Belief propagation for supply networks: Efficient clustering of their factor graphs
• Title（参考訳）: 供給ネットワークに対する信念伝播--因子グラフの効率的なクラスタリング
• Authors: Tim Ritmeester and Hildegard Meyer-Ortmanns
• Abstract要約: 本稿では,供給ネットワークにおける状態推定と最適化の効率的なツールとして,信念伝達(BP)を考察する。 本稿では,因子グラフのループをクラスタリングする手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We consider belief propagation (BP) as an efficient and scalable tool for state estimation and optimization problems in supply networks, in particular in power grids and natural gas pipeline networks. BP algorithms make use of factor graph representations, whose assignment to the problem of interest is not unique. It depends on the state variables and their mutual interdependencies. Many short loops in factor graphs may impede the accuracy of BP. We propose a systematic way to cluster loops of factor graphs such that the resulting transformed factor graphs have no additional loops as compared to the original network. They guarantee an accurate performance of BP with only slightly increased computational effort. The method outperforms existing alternatives to handle the loops. We point to other applications to supply networks such as water networks that share the structure of constraints in the form of analogues of Kirchhoff's laws. Whenever small and abundant loops in factor graphs are systematically generated by constraints between variables in the original network, our factor-graph assignment in BP complements other approaches. It provides a fast and reliable algorithm to perform marginalization in state determination, estimation, or optimization issues in supply networks.
• Abstract（参考訳）: 本研究では,供給ネットワーク,特に電力網や天然ガスパイプラインネットワークにおける状態推定と最適化問題に対して,信念伝達(BP)を効率的かつスケーラブルなツールとみなす。 bpアルゴリズムは、関心のある問題への割り当てが一意ではない因子グラフ表現を利用する。 状態変数とその相互依存性に依存する。 因子グラフの多くの短いループはBPの精度を損なう可能性がある。 本研究では,生成する変換因子グラフが元のネットワークと比較して追加ループを持たないように,因子グラフのクラスターループを体系的に構成する手法を提案する。 BPの精度はわずかに向上した計算量で保証される。 このメソッドはループを処理するために既存の代替手段より優れている。 我々は、キルヒホフの法則の類似物という形で制約の構造を共有する水網などの供給ネットワークに対する他の応用を指摘する。 因子グラフの小さなループが元のネットワークの変数間の制約によって体系的に生成される場合、BPにおける因子グラフの割り当ては他のアプローチを補完する。 高速で信頼性の高いアルゴリズムを提供し、サプライネットワークの状態決定、推定、最適化問題において限界化を行う。

関連論文リスト

• Space-time Peer-to-Peer Distribution of Multi-party Entanglement for Any Quantum Network [1.8534793212973737]
  本稿では,ネットワーク層における一般的なグラフ状態分布を効率的に実装するための新しい量子ネットワークプロトコルを提案する。 一般グラフ状態分布問題に対する明示的な数学的モデルを構築した。 我々は、ネットワーク問題におけるメモリ管理のための相対性理論の対称性にインスパイアされた時空量子ネットワークを活用する。
  論文  参考訳（メタデータ） (2024-12-19T11:37:32Z)
• Decentralized Optimization in Time-Varying Networks with Arbitrary Delays [22.40154714677385]
  通信遅延によるネットワークの分散最適化問題を考察する。 そのようなネットワークの例としては、協調機械学習、センサーネットワーク、マルチエージェントシステムなどがある。 通信遅延を模倣するため、ネットワークに仮想非計算ノードを追加し、有向グラフを生成する。
  論文  参考訳（メタデータ） (2024-05-29T20:51:38Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• 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)
• Edge Ranking of Graphs in Transportation Networks using a Graph Neural Network (GNN) [0.0]
  エッジ間の中央性 (EBC) は、接続性と情報拡散に基づいて、グラフの影響力のあるエッジを決定する尺度である。 深層学習に基づくアプローチであるグラフニューラルネットワーク(GNN)を用いて,EBCを近似的に推定する手法を提案する。 提案手法は,複数の合成グラフと実世界の輸送データセットを用いて,GNNに基づくエッジランキングの評価を行う。
  論文  参考訳（メタデータ） (2023-03-25T20:45:30Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
  最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。 我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
  論文  参考訳（メタデータ） (2022-08-06T14:12:47Z)
• Deep learning via message passing algorithms based on belief propagation [2.931240348160871]
  本稿では,局所的なエントロピー分布に偏りを持つ強化場を有するBPベースのメッセージパッシングアルゴリズムのファミリについて述べる。 これらのアルゴリズムは、SGDにインスパイアされたソリューションに匹敵するパフォーマンスで、離散重みとアクティベーションを持つ多層ニューラルネットワークをトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-10-27T16:52:26Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。

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。