Fugu-MT 論文翻訳(概要): Inverse Boundary Value and Optimal Control Problems on Graphs: A Neural and Numerical Synthesis

論文の概要: Inverse Boundary Value and Optimal Control Problems on Graphs: A Neural and Numerical Synthesis

arxiv url: http://arxiv.org/abs/2206.02911v2
Date: Tue, 20 Feb 2024 14:21:30 GMT
ステータス: 処理完了
システム内更新日: 2024-02-21 21:53:01.902702
Title: Inverse Boundary Value and Optimal Control Problems on Graphs: A Neural and Numerical Synthesis
Title（参考訳）: グラフ上の逆境界値と最適制御問題:ニューラルネットワークと数値合成
Authors: Mehdi Garrousian and Amirhossein Nouranizadeh
Abstract要約: 現在のアーキテクチャにおける重要な要素は、境界を注入したメッセージパッシングニューラルネットワークです。境界から離れたノードでの予測を安定化するのに役立つグラフィカル距離に基づく正規化手法が導入された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A general setup for deterministic system identification problems on graphs with Dirichlet and Neumann boundary conditions is introduced. When control nodes are available along the boundary, we apply a discretize-then-optimize method to estimate an optimal control. A key piece in the present architecture is our boundary injected message passing neural network. This will produce more accurate predictions that are considerably more stable in proximity of the boundary. Also, a regularization technique based on graphical distance is introduced that helps with stabilizing the predictions at nodes far from the boundary.
Abstract（参考訳）: ディリクレおよびノイマン境界条件を持つグラフ上の決定論的システム同定問題に対する一般的なセットアップを導入する。制御ノードが境界に沿って利用できる場合、最適制御を推定するために離散化最適化法を適用する。現在のアーキテクチャにおける重要なピースは、バウンダリ注入メッセージパッシングニューラルネットワークです。これにより、より正確な予測が生まれ、境界に近い方がかなり安定する。また、境界から離れたノードでの予測を安定化するのに役立つグラフィカル距離に基づく正規化手法を導入する。

関連論文リスト

Minimize Control Inputs for Strong Structural Controllability Using Reinforcement Learning with Graph Neural Network [7.242974711907219]
我々は、強構造制御性(SSC)のグラフ理論条件に従って、マルコフ決定過程(MDP)としてグラフ着色過程を定式化する。我々は,MDPを最適化するために,グラフの色情報を表すダイレクトグラフニューラルネットワークを用いたアクタクリティカルな手法を用いる。入力ノードの数はネットワークの平均度によって決定され、入力ノードは低次ノードを選択して高次ノードを避ける傾向にある。
論文参考訳（メタデータ） (2024-02-26T11:18:53Z)
Robust Graph Neural Network based on Graph Denoising [10.564653734218755]
グラフニューラルネットワーク(GNN)は、非ユークリッドデータセットを扱う学習問題に対して、悪名高い代替手段として登場した。本研究は,観測トポロジにおける摂動の存在を明示的に考慮した,GNNの堅牢な実装を提案する。
論文参考訳（メタデータ） (2023-12-11T17:43:57Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
Pure Exploration in Bandits with Linear Constraints [15.547603114649464]
マルチアーム・バンディット・セットアップにおいて、最適ポリシーを一定の信頼度で識別する問題に対処する。この設定に最適な2つのアルゴリズムを導入する。1つはトラック・アンド・ストップ法であり、もう1つはゲーム理論に基づく手法である。限界を検証し、制約が問題の硬さをどのように変えるかを視覚化する実験結果を提供する。
論文参考訳（メタデータ） (2023-06-22T10:00:33Z)
Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文参考訳（メタデータ） (2022-12-25T23:19:56Z)
Zero Pixel Directional Boundary by Vector Transform [77.63061686394038]
我々は境界を1次元曲面として再解釈し、1対1のベクトル変換関数を定式化し、クラス不均衡問題を完全に回避する境界予測の訓練を可能にする。我々の問題定式化は、境界の方向推定だけでなく、よりリッチなコンテキスト情報もたらし、もし望めば、訓練時にもゼロピクセルの薄い境界が利用可能となる。
論文参考訳（メタデータ） (2022-03-16T17:55:31Z)
Deep Learning Approximation of Diffeomorphisms via Linear-Control Systems [91.3755431537592]
我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
論文参考訳（メタデータ） (2021-10-24T08:57:46Z)
An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits [129.1029690825929]
複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
論文参考訳（メタデータ） (2020-10-23T09:12:47Z)
Closed-loop Parameter Identification of Linear Dynamical Systems through the Lens of Feedback Channel Coding Theory [0.0]
本稿では,ガウス過程雑音を伴う線形スカラー系の閉ループ同定の問題について考察する。学習速度は,対応するAWGNチャネルの容量によって基本的に上界にあることを示す。フィードバックポリシの最適設計は依然として難しいが、上限が達成される条件を導出する。
論文参考訳（メタデータ） (2020-03-27T17:30:10Z)
DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。対象境界を検出するために,2つの予測層を持つフレームワークを提案する。我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
論文参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。