論文の概要: Dynamic Network Reconfiguration for Entropy Maximization using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2205.13578v1
• Date: Thu, 26 May 2022 18:44:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 13:29:57.928509
• Title: Dynamic Network Reconfiguration for Entropy Maximization using Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習を用いたエントロピー最大化のための動的ネットワーク再構成
• Authors: Christoffel Doorman, Victor-Alexandru Darvariu, Stephen Hailes, Mirco Musolesi
• Abstract要約: ネットワーク理論の鍵となる問題は、定量化対象を最適化するためにグラフを再構成する方法である。 本稿では、マルコフ決定過程(MDP)として、指定された構造特性を最適化するネットワークリウィリングの問題を提起する。 次に,Deep Q-Network(DQN)アルゴリズムとグラフニューラルネットワーク(GNN)に基づく一般的な手法を提案する。
• 参考スコア（独自算出の注目度）: 3.012947865628207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key problem in network theory is how to reconfigure a graph in order to optimize a quantifiable objective. Given the ubiquity of networked systems, such work has broad practical applications in a variety of situations, ranging from drug and material design to telecommunications. The large decision space of possible reconfigurations, however, makes this problem computationally intensive. In this paper, we cast the problem of network rewiring for optimizing a specified structural property as a Markov Decision Process (MDP), in which a decision-maker is given a budget of modifications that are performed sequentially. We then propose a general approach based on the Deep Q-Network (DQN) algorithm and graph neural networks (GNNs) that can efficiently learn strategies for rewiring networks. We then discuss a cybersecurity case study, i.e., an application to the computer network reconfiguration problem for intrusion protection. In a typical scenario, an attacker might have a (partial) map of the system they plan to penetrate; if the network is effectively "scrambled", they would not be able to navigate it since their prior knowledge would become obsolete. This can be viewed as an entropy maximization problem, in which the goal is to increase the surprise of the network. Indeed, entropy acts as a proxy measurement of the difficulty of navigating the network topology. We demonstrate the general ability of the proposed method to obtain better entropy gains than random rewiring on synthetic and real-world graphs while being computationally inexpensive, as well as being able to generalize to larger graphs than those seen during training. Simulations of attack scenarios confirm the effectiveness of the learned rewiring strategies.
• Abstract（参考訳）: ネットワーク理論における重要な問題は、定量化対象を最適化するためにグラフを再設定する方法である。 ネットワーク化されたシステムの普遍性を考えると、このような研究は薬物や物質設計から電気通信まで、様々な状況で幅広い実用的応用がある。 しかし、再構成可能な大きな決定空間は、この問題を計算的に集約する。 本稿では,マルコフ決定過程(MDP)として指定された構造特性を最適化するネットワークリウィリングの問題を提起し,意思決定者が順次実施する修正予算を付与する。 そこで本研究では,ディープq-network (dqn) アルゴリズムとグラフニューラルネットワーク (gnns) に基づく汎用的アプローチを提案する。 次に,サイバーセキュリティのケーススタディ,すなわち侵入防止のためのコンピュータネットワーク再構成問題への適用について検討する。 典型的なシナリオでは、攻撃者は、彼らが浸透しようとしているシステムの(部分的な)マップを持っているかもしれない。 これは、ネットワークのサプライズを増やすことを目的としているエントロピー最大化問題と見なすことができる。 実際、エントロピーはネットワークトポロジをナビゲートすることの難しさのプロキシ測定として機能する。 提案手法は,合成グラフや実世界のグラフをランダムに切り換えるよりも高速なエントロピーゲインを得るのに,計算コストが低く,訓練中に見られたグラフよりも大きなグラフに一般化できることを実証する。 攻撃シナリオのシミュレーションは、学習したリウィリング戦略の有効性を確認する。

関連論文リスト

• Online Learning Of Expanding Graphs [14.952056744888916]
  本稿では,信号ストリームからグラフを拡張するためのオンラインネットワーク推論の問題に対処する。 ネットワークに加入したばかりのノードや,それまでのノードに対して,さまざまなタイプの更新を可能にする戦略を導入する。
  論文  参考訳（メタデータ） (2024-09-13T09:20:42Z)
• Structural Generalization in Autonomous Cyber Incident Response with Message-Passing Neural Networks and Reinforcement Learning [0.0]
  小さなネットワーク変更のためのリトレーニングエージェントは、時間とエネルギーを消費する。 ホストの数が異なる元のネットワークの変種を作成し、エージェントを追加のトレーニングなしでテストします。 デフォルトのベクトル状態表現を使用するエージェントのパフォーマンスは向上するが、各ネットワークで特別にトレーニングする必要がある。
  論文  参考訳（メタデータ） (2024-07-08T09:34:22Z)
• Queue-aware Network Control Algorithm with a High Quantum Computing Readiness-Evaluated in Discrete-time Flow Simulator for Fat-Pipe Networks [0.0]
  広域ネットワークにおける交通工学のための資源再占有アルゴリズムを提案する。 提案アルゴリズムは、過負荷のトランシーバの場合のトラフィックステアリングとリソース割り当てを変更する。 新たに導入したネットワークシミュレータにより,フェットパイプネットワーク内のバッファリングなどの短時間効果を解析できることを示す。
  論文  参考訳（メタデータ） (2024-04-05T13:13:02Z)
• Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
  高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。 本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。 ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
  論文  参考訳（メタデータ） (2024-02-27T11:52:49Z)
• PirateNets: Physics-informed Deep Learning with Residual Adaptive Networks [19.519831541375144]
  本研究では,深いPINNモデルの安定かつ効率的なトレーニングを容易にするために物理インフォームドResidual Adaptive Networks(PirateNets)を導入する。 PirateNetsは、新たなアダプティブな残留接続を活用し、トレーニング中に徐々に深くなっていく浅いネットワークとしてネットワークを利用できる。 PirateNetsは最適化が容易で、精度が大幅に向上し、最終的には様々なベンチマークで最先端の結果が得られます。
  論文  参考訳（メタデータ） (2024-02-01T04:17:56Z)
• What Planning Problems Can A Relational Neural Network Solve? [91.53684831950612]
  本稿では,計画問題のポリシーを表すリレーショナルニューラルネットワークの回路複雑性解析について述べる。 回路幅と深さの増大に関して,計画問題には3つの一般的なクラスが存在することを示す。 また、政策学習のためのニューラルネットワーク設計におけるこの分析の有用性についても解説する。
  論文  参考訳（メタデータ） (2023-12-06T18:47:28Z)
• Enhancing Network Resilience through Machine Learning-powered Graph Combinatorial Optimization: Applications in Cyber Defense and Information Diffusion [0.0]
  この論文は、ネットワークのレジリエンスを高める効果的なアプローチの開発に焦点を当てている。 ネットワークのレジリエンスを高めるための既存のアプローチは、ネットワーク内のボトルネックノードとエッジを決定することを強調する。 この論文は、ネットワーク内のボトルネックノードとエッジを発見するための効率的で効率的でスケーラブルなテクニックを設計することを目的としている。
  論文  参考訳（メタデータ） (2023-09-22T01:48:28Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
  適応型ニューラルネットワークの動的対向攻撃問題について検討する。 本稿では,LGM(Leaded Gradient Method)を提案する。 我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
  論文  参考訳（メタデータ） (2022-10-15T01:32:08Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)

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。