論文の概要: Approximating Permutations with Neural Network Components for Travelling Photographer Problem

• arxiv url: http://arxiv.org/abs/2205.00242v1
• Date: Sat, 30 Apr 2022 11:24:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-05 05:57:49.943408
• Title: Approximating Permutations with Neural Network Components for Travelling Photographer Problem
• Title（参考訳）: トラベルカメラ問題に対するニューラルネットワーク成分による置換の近似
• Authors: Chong Sue Sin
• Abstract要約: 本稿では、状態の順列を観測トークンの列に適合させようとする(旅行写真家問題)。 我々は、状態置換のランダム化近似のための機械学習にインスパイアされたアーキテクチャを考案し、置換の並列化を模倣した。 正規化やドロップアウト,ランダム化アルゴリズムといった機械学習のコンポーネントを容易にすることで,NP-Hard問題であるTPPを解決するアーキテクチャを考案できることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many of current inference techniques rely upon Bayesian inference on Probabilistic Graphical Models of observations, and does prediction and classification on observations rather well. However, little has been done to facilitate of the mining of relationship between observations, and build models of relationship between sets of observations or within the scope of observations. Event understanding of machines with observation inputs needs to deal with understanding of the relationship between observations, and thus there is a crucial need to build models and come up with effective data structures to accumulate and organize relationships between observations. Given a set of states probabilisitcally-related with observations, this paper attempts to fit a permutation of states to a sequence of observation tokens (The Travelling Photographer Problem). We have devised a machine learning inspired architecture for randomized approximation of state permutation, facilitating parallelization of heuristic search of permutations. Our algorithm is able to solve The Travelling Photographer Problem with very small error. We demonstrate that by mimicking components of machine learning such as normalization, dropout, lambda layer with randomized algorithm, we are able to devise an architecture which solves TPP, a permutation NP-Hard problem. Other than TPP, we are also able to provide a 2-Local improvement heuristic for the Travelling Salesman Problem (TSP) with similar ideas.
• Abstract（参考訳）: 現在の推論技法の多くは、確率的グラフィカルな観測モデルのベイズ的推論に依存しており、観測の予測と分類は比較的うまく行っている。 しかし、観測間の関係のマイニングを容易にするためにはほとんど行われておらず、観測のセットや観測の範囲内での関係のモデルを構築している。 観測インプットを持つマシンのイベント理解は、観測間の関係を理解する必要があるため、モデルを構築し、観測間の関係を蓄積し整理するための効果的なデータ構造を考案する必要がある。 本論文は、観測と確率的に関係のある状態の集合を考慮し、観測トークンの列に状態の置換を適合させようとする(The Travelling Photographer Problem)。 我々は、状態置換のランダム化近似のための機械学習によるアーキテクチャを考案し、置換のヒューリスティック探索の並列化を容易にした。 我々のアルゴリズムは、非常に小さな誤りでThe Travelling Photographer Problemを解くことができる。 我々は,正規化,ドロップアウト,ラムダレイヤなどの機械学習のコンポーネントをランダム化アルゴリズムで模倣することにより,NP-Hard問題であるTPPを解決するアーキテクチャを考案できることを実証した。 TPP以外にも、同様の考え方でTSP(Travelling Salesman Problem)に2ローカル改善のヒューリスティックを提供することができます。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Learning non-Gaussian graphical models via Hessian scores and triangular transport [6.308539010172309]
  連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。 このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
  論文  参考訳（メタデータ） (2021-01-08T16:42:42Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)
• Explaining and Improving Model Behavior with k Nearest Neighbor Representations [107.24850861390196]
  モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。 我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。 以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-18T16:55:25Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• Inference with Aggregate Data: An Optimal Transport Approach [16.274397329511196]
  多数の個人が生成した集合データを用いた確率的グラフィカルモデルに対する推論(フィルタリング)問題を考察する。 本稿では,木構造グラフの計算複雑性とグローバルコンバージェンス保証を両立する,効率的な信念伝播アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-31T03:12:20Z)
• Building and Interpreting Deep Similarity Models [0.0]
  そこで本稿では,入力機能の観点から説明することで類似性を解釈する手法を提案する。 我々は,2組の入力特徴に対して類似度スコアを系統的に分解する,スケーラブルで理論的に確立された手法であるBiLRPを開発した。
  論文  参考訳（メタデータ） (2020-03-11T17:46:55Z)

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。