論文の概要: A Differentiable Approach to Combinatorial Optimization using Dataless
Neural Networks
- arxiv url: http://arxiv.org/abs/2203.08209v1
- Date: Tue, 15 Mar 2022 19:21:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 13:43:49.465430
- Title: A Differentiable Approach to Combinatorial Optimization using Dataless
Neural Networks
- Title(参考訳): データレスニューラルネットワークを用いた組合せ最適化への微分可能アプローチ
- Authors: Ismail R. Alkhouri, George K. Atia, Alvaro Velasquez
- Abstract要約: 我々は、ソリューションを生成するニューラルネットワークのトレーニングにデータを必要としないという、根本的に異なるアプローチを提案する。
特に、最適化問題をニューラルネットワークに還元し、データレストレーニングスキームを用いて、それらのパラメータが関心の構造をもたらすように、ネットワークのパラメータを洗練する。
- 参考スコア(独自算出の注目度): 20.170140039052455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of machine learning solutions for reasoning about discrete
structures has brought attention to its adoption within combinatorial
optimization algorithms. Such approaches generally rely on supervised learning
by leveraging datasets of the combinatorial structures of interest drawn from
some distribution of problem instances. Reinforcement learning has also been
employed to find such structures. In this paper, we propose a radically
different approach in that no data is required for training the neural networks
that produce the solution. In particular, we reduce the combinatorial
optimization problem to a neural network and employ a dataless training scheme
to refine the parameters of the network such that those parameters yield the
structure of interest. We consider the combinatorial optimization problems of
finding maximum independent sets and maximum cliques in a graph. In principle,
since these problems belong to the NP-hard complexity class, our proposed
approach can be used to solve any other NP-hard problem. Additionally, we
propose a universal graph reduction procedure to handle large scale graphs. The
reduction exploits community detection for graph partitioning and is applicable
to any graph type and/or density. Experimental evaluation on both synthetic
graphs and real-world benchmarks demonstrates that our method performs on par
with or outperforms state-of-the-art heuristic, reinforcement learning, and
machine learning based methods without requiring any data.
- Abstract(参考訳): 離散構造を推論する機械学習ソリューションの成功は、組合せ最適化アルゴリズムでの採用に注目を集めている。
このようなアプローチは一般に、ある問題インスタンスの分布から引き出された興味の組合せ構造のデータセットを活用することによって教師あり学習に依存する。
強化学習もそのような構造を見つけるために用いられている。
本稿では,解を生成するニューラルネットワークのトレーニングにデータを必要としないという,根本的に異なるアプローチを提案する。
特に、組合せ最適化問題をニューラルネットワークに還元し、これらのパラメータが関心の構造を与えるように、ネットワークのパラメータを洗練するためにデータレストレーニングスキームを用いる。
グラフ内の最大独立集合と最大傾きを見つけるための組合せ最適化問題を考察する。
原則として,これらの問題はnp-hard complexityクラスに属するため,提案手法はnp-hard問題の解法として利用できる。
さらに,大規模グラフを扱う普遍的なグラフ削減手法を提案する。
この削減は、グラフ分割のコミュニティ検出を活用し、任意のグラフタイプおよび/または密度に適用できる。
合成グラフと実世界のベンチマークによる実験結果から,本手法はデータを必要としない,最先端のヒューリスティック,強化学習,機械学習に基づく手法と同等あるいは同等に動作可能であることが示された。
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) - Nonconvex Federated Learning on Compact Smooth Submanifolds With Heterogeneous Data [23.661713049508375]
本稿では,クライアントの設定においてサブマニフォールド上で学習するアルゴリズムを提案する。
提案アルゴリズムは,新しい解析手法を用いて一階最適解の近傍に部分収束することを示す。
論文 参考訳(メタデータ) (2024-06-12T17:53:28Z) - GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。
提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文 参考訳(メタデータ) (2024-05-21T03:33:07Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳(メタデータ) (2023-05-24T17:26:22Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。
性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文 参考訳(メタデータ) (2022-05-03T07:54:56Z) - Resource-constrained Federated Edge Learning with Heterogeneous Data:
Formulation and Analysis [8.863089484787835]
ヘテロジニアスデータによる不均一な統計的課題を解決するために, 分散されたニュートン型ニュートン型トレーニングスキームであるFedOVAを提案する。
FedOVAはマルチクラス分類問題をより単純なバイナリ分類問題に分解し、アンサンブル学習を用いてそれぞれの出力を結合する。
論文 参考訳(メタデータ) (2021-10-14T17:35:24Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳(メタデータ) (2020-12-16T13:48:48Z) - Erdos Goes Neural: an Unsupervised Learning Framework for Combinatorial
Optimization on Graphs [35.14404918074861]
本研究では,グラフ上での組合せ最適化問題に対する教師なし学習フレームワークを提案する。
エルドスの確率論的手法に触発され、ニューラルネットワークを用いて集合上の確率分布をパラメータ化する。
ネットワークが適切に選択された損失に最適化された場合、学習された分布は、制御された確率、低コストな積分解を含むことを示す。
論文 参考訳(メタデータ) (2020-06-18T16:13:36Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳(メタデータ) (2020-04-17T19:12:39Z) - 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。
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。