Fugu-MT 論文翻訳(概要): A Contextual Combinatorial Semi-Bandit Approach to Network Bottleneck Identification

論文の概要: A Contextual Combinatorial Semi-Bandit Approach to Network Bottleneck Identification

arxiv url: http://arxiv.org/abs/2206.08144v1
Date: Thu, 16 Jun 2022 13:05:45 GMT
ステータス: 処理完了
システム内更新日: 2022-06-17 15:47:13.301638
Title: A Contextual Combinatorial Semi-Bandit Approach to Network Bottleneck Identification
Title（参考訳）: ネットワークボトルネック同定のための文脈組合せ半帯域法
Authors: Fazeleh Hoseini, Niklas {\AA}kerblom, Morteza Haghir Chehreghani
Abstract要約: ネットワークの仕様を学習しながらボトルネック識別を行う半帯域に基づく統合オンライン学習フレームワークを開発した。本枠組みでは,epsilon-greedy,LinUCB,BayesUCB,Thompson Samplingなどの半帯域法を適応し,検討する。われわれのフレームワークは文脈情報を文脈的盗賊の形で利用することができる。
参考スコア（独自算出の注目度）: 4.125187280299247
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bottleneck identification is a challenging task in network analysis, especially when the network is not fully specified. To address this task, we develop a unified online learning framework based on combinatorial semi-bandits that performs bottleneck identification alongside learning the specifications of the underlying network. Within this framework, we adapt and investigate several combinatorial semi-bandit methods such as epsilon-greedy, LinUCB, BayesUCB, and Thompson Sampling. Our framework is able to employ contextual information in the form of contextual bandits. We evaluate our framework on the real-world application of road networks and demonstrate its effectiveness in different settings.
Abstract（参考訳）: ボトルネック識別は、特にネットワークが完全に特定されていない場合、ネットワーク分析において難しい課題である。この課題に対処するために,ネットワークの仕様を学習しながらボトルネック識別を行う組込みセミバンドに基づく統合オンライン学習フレームワークを開発した。本枠組みでは,epsilon-greedy,LinUCB,BayesUCB,Thompson Samplingなどの組合せ半帯域法を適用し,検討する。われわれのフレームワークは文脈情報を文脈的盗賊の形で利用することができる。我々は,道路ネットワークの現実的応用に関する枠組みを評価し,その効果を異なる設定で示す。

関連論文リスト

On the verification of Embeddings using Hybrid Markov Logic [2.113770213797994]
本稿では,学習した表現の複雑な性質を検証するためのフレームワークを提案する。このフレームワーク内のプロパティのパラメータを学習するためのアプローチを提案する。本稿では,グラフニューラルネットワーク,深部知識追跡,知能学習システムにおける検証について述べる。
論文参考訳（メタデータ） (2023-12-13T17:04:09Z)
Dynamic Neural Network for Multi-Task Learning Searching across Diverse Network Topologies [14.574399133024594]
多様なグラフトポロジを持つ複数のタスクに対して最適化された構造を探索する新しいMTLフレームワークを提案する。我々は、トポロジ的に多様なタスク適応構造を構築するために、読み出し/読み出し層を備えたDAGベースの制限付き中央ネットワークを設計する。
論文参考訳（メタデータ） (2023-03-13T05:01:50Z)
Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
論文参考訳（メタデータ） (2022-10-30T01:52:05Z)
Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
論文参考訳（メタデータ） (2022-04-08T03:37:56Z)
Online Learning of Network Bottlenecks via Minimax Paths [6.316693022958221]
ミニマックス経路の抽出によるネットワークのボトルネック同定について検討する。次に、元の目的を近似した代替問題定式化を考案する。実世界の有向・無向ネットワーク上での近似定式化によりトンプソンサンプリングの性能を実験的に評価した。
論文参考訳（メタデータ） (2021-09-17T11:11:50Z)
Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文参考訳（メタデータ） (2021-08-20T12:09:38Z)
Interpretable Network Representation Learning with Principal Component Analysis [1.2183405753834557]
ネットワーク評価データのサンプルに対する解釈可能なネットワーク表現学習の問題点を考察する。ネットワークサンプルの統計的に意味のある低次元表現を識別するためのPCANアルゴリズムを提案する。高速サンプリングに基づくアルゴリズム sPCAN を導入し,計算効率は比較的高いが,解釈可能性の利点を享受している。
論文参考訳（メタデータ） (2021-06-27T13:52:49Z)
Learning low-rank latent mesoscale structures in networks [1.1470070927586016]
ネットワークにおける低ランクメソスケール構造を記述するための新しい手法を提案する。いくつかの合成ネットワークモデルと経験的友情、協調、タンパク質-タンパク質相互作用(PPI)ネットワークを使用します。破損したネットワークから直接学習する潜在モチーフのみを用いて、破損したネットワークを認知する方法を示す。
論文参考訳（メタデータ） (2021-02-13T18:54:49Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)
Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。このようなペア関係を学習するための反復アルゴリズムを提案する。本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文参考訳（メタデータ） (2020-02-19T10:32:03Z)
Subset Sampling For Progressive Neural Network Learning [106.12874293597754]
プログレッシブニューラルネットワーク学習は、ネットワークのトポロジを漸進的に構築し、トレーニングデータに基づいてパラメータを最適化するアルゴリズムのクラスである。段階的なトレーニングステップ毎にトレーニングデータのサブセットを活用することで,このプロセスの高速化を提案する。オブジェクト,シーン,顔の認識における実験結果から,提案手法が最適化手順を大幅に高速化することを示す。
論文参考訳（メタデータ） (2020-02-17T18:57:33Z)

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。