論文の概要: Solving Disjunctive Temporal Networks with Uncertainty under Restricted
Time-Based Controllability using Tree Search and Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2203.15030v2
- Date: Wed, 30 Mar 2022 13:41:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 11:39:35.026276
- Title: Solving Disjunctive Temporal Networks with Uncertainty under Restricted
Time-Based Controllability using Tree Search and Graph Neural Networks
- Title（参考訳）: 木探索とグラフニューラルネットワークを用いた時間制御性制限下での不確実性を持つ分断時間ネットワークの解法
- Authors: Kevin Osanlou, Jeremy Frank, Andrei Bursuc, Tristan Cazenave, Eric
Jacopin, Christophe Guettier and J. Benton
- Abstract要約: 木探索とグラフ機械学習に基づく新しい手法を提案し,不確実性のある時空間ネットワーク(DTNU)と呼ばれるスケジューリング問題を提案する。
本稿では、時間に基づく動的制御可能性(TDC)と、TDCの制限されたサブセットであるR-TDCを紹介する。
我々は、より複雑なDTNUのベンチマークにおいて、グラフニューラルネットワーク探索ガイダンスがかなりの性能向上をもたらすことを観察する。
- 参考スコア（独自算出の注目度）: 10.167378382412908
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Planning under uncertainty is an area of interest in artificial intelligence.
We present a novel approach based on tree search and graph machine learning for
the scheduling problem known as Disjunctive Temporal Networks with Uncertainty
(DTNU). Dynamic Controllability (DC) of DTNUs seeks a reactive scheduling
strategy to satisfy temporal constraints in response to uncontrollable action
durations. We introduce new semantics for reactive scheduling: Time-based
Dynamic Controllability (TDC) and a restricted subset of TDC, R-TDC. We design
a tree search algorithm to determine whether or not a DTNU is R-TDC. Moreover,
we leverage a graph neural network as a heuristic for tree search guidance.
Finally, we conduct experiments on a known benchmark on which we show R-TDC to
retain significant completeness with regard to DC, while being faster to prove.
This results in the tree search processing fifty percent more DTNU problems in
R-TDC than the state-of-the-art DC solver does in DC with the same time budget.
We also observe that graph neural network search guidance leads to substantial
performance gains on benchmarks of more complex DTNUs, with up to eleven times
more problems solved than the baseline tree search.
- Abstract（参考訳）: 不確実性の下での計画は人工知能への関心の領域である。
本研究では,不確実性のある時間ネットワーク(DTNU)と呼ばれるスケジューリング問題に対して,木探索とグラフ機械学習に基づく新しい手法を提案する。
DTNUの動的制御可能性(DC)は、制御不能な動作時間に対する時間的制約を満たすために、リアクティブなスケジューリング戦略を求める。
本稿では、時間に基づく動的制御可能性(TDC)とTDCの制限されたサブセットであるR-TDCを紹介する。
DTNUがR-TDCであるか否かを判定する木探索アルゴリズムを設計する。
さらに,木探索誘導のヒューリスティックとしてグラフニューラルネットワークを利用する。
最後に、R-TDCがDCに関して顕著な完全性を維持しつつ、証明が高速であることを示す既知のベンチマーク実験を行う。
その結果,直流の直流分解器が同じ時間予算で行うよりも,R-TDCのDTNU問題の方が50%多いことがわかった。
また,グラフニューラルネットワークの探索誘導は,より複雑なDTNUのベンチマークにおいて,ベースライン木探索の最大11倍の問題を解き、大幅な性能向上をもたらすことも確認した。
関連論文リスト
- Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。
本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
論文 参考訳（メタデータ） (2024-05-27T05:53:30Z) - Differentiable Tree Search Network [14.972768001402898]
微分可能木探索ネットワーク(D-TSN)は、誘導バイアスを大幅に強化する新しいニューラルネットワークアーキテクチャである。
D-TSNは、完全に差別化可能なオンライン検索を行うために、学習された世界モデルを採用している。
D-TSNは、一般的なモデルフリーおよびモデルベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-01-22T02:33:38Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - Embedding Theory of Reservoir Computing and Reducing Reservoir Network
Using Time Delays [6.543793376734818]
貯留層計算(Reservoir Computing, RC)は、複雑な物理系の再構築や予測において、その異常な有効性と高い性能のために爆発的な発展を遂げている。
ここでは、RCがもともと入力された非線形力学系の高次元埋め込みであることを厳密に証明する。
我々は、いくつかの代表的な物理系を再構成し予測するためにRCのネットワークサイズを著しく削減し、より驚くべきことに、時間遅延のある単一ニューロン貯水池のみを用いることで、これらのタスクを達成するのに十分な場合がある。
論文 参考訳（メタデータ） (2023-03-16T02:25:51Z) - Effective Multi-User Delay-Constrained Scheduling with Deep Recurrent
Reinforcement Learning [28.35473469490186]
マルチユーザ遅延制約スケジューリングは、無線通信、ライブストリーミング、クラウドコンピューティングを含む多くの現実世界アプリケーションにおいて重要である。
Recurrent Softmax Delayed Deep Double Deterministic Policy Gradient (mathttRSD4$) という深部強化学習アルゴリズムを提案する。
$mathttRSD4$は、それぞれLagrangianのデュアルと遅延に敏感なキューによるリソースと遅延の制約を保証する。
また、リカレントニューラルネットワーク(RNN)によって実現されたメモリ機構により、部分的可観測性にも効率よく取り組み、ユーザレベルの分解とノードレベルを導入している。
論文 参考訳（メタデータ） (2022-08-30T08:44:15Z) - Continual Spatio-Temporal Graph Convolutional Networks [87.86552250152872]
時空間グラフ畳み込みニューラルネットワークを連続推論ネットワークとして再構成する。
オンライン推論において、最大109倍の時間複雑性、26倍のハードウェアアクセラレーション、最大割り当てメモリの最大52%の削減を観測した。
論文 参考訳（メタデータ） (2022-03-21T14:23:18Z) - Time-based Dynamic Controllability of Disjunctive Temporal Networks with
Uncertainty: A Tree Search Approach with Graph Neural Network Guidance [12.025368648510165]
不確実性のある時空間ネットワーク(DTNU)における動的制御可能性(DC)の問題について検討する。
本稿では,DTNU に対して DC よりも制限され,より強い制御性を導入し,DTNU が TDC であるか否かを判定するための木探索手法を提案する。
論文 参考訳（メタデータ） (2021-08-02T17:54:25Z) - Continuous Ant-Based Neural Topology Search [62.200941836913586]
この研究は、アリコロニー最適化に基づく、自然に着想を得たニューラルアーキテクチャサーチ(NAS)アルゴリズムを導入している。
連続アントベースのニューラルトポロジーサーチ(CANTS)は、アリが現実世界でどのように動くかに強く影響を受けている。
論文 参考訳（メタデータ） (2020-11-21T17:49:44Z) - STDPG: A Spatio-Temporal Deterministic Policy Gradient Agent for Dynamic
Routing in SDN [6.27420060051673]
ソフトウェア定義ネットワーク(SDN)における動的ルーティングは、集中的な意思決定問題と見なすことができる。
本稿では,SDNにおける動的ルーティングのための新しいモデルフリーフレームワークを提案する。
STDPGは、平均的なエンドツーエンド遅延の観点から、より良いルーティングソリューションを実現する。
論文 参考訳（メタデータ） (2020-04-21T07:19:07Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。