論文の概要: Robust Sequence Networked Submodular Maximization
- arxiv url: http://arxiv.org/abs/2212.13725v1
- Date: Wed, 28 Dec 2022 07:20:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 15:19:44.499003
- Title: Robust Sequence Networked Submodular Maximization
- Title（参考訳）: ロバストシーケンスネットワークサブモジュラー最大化
- Authors: Qihao Shi, Bingyang Fu, Can Wang, Jiawei Chen, Sheng Zhou, Yan Feng,
Chun Chen
- Abstract要約: 本稿では,アンダーライン列のアンダーラインサブモジュール (RoseNets) 問題について検討する。
我々は、選択した要素の任意の部分集合の除去に対して頑健な頑健な欲求アルゴリズムを設計する。
- 参考スコア（独自算出の注目度）: 27.831790766949844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we study the \underline{R}obust \underline{o}ptimization for
\underline{se}quence \underline{Net}worked \underline{s}ubmodular maximization
(RoseNets) problem. We interweave the robust optimization with the sequence
networked submodular maximization. The elements are connected by a directed
acyclic graph and the objective function is not submodular on the elements but
on the edges in the graph. Under such networked submodular scenario, the impact
of removing an element from a sequence depends both on its position in the
sequence and in the network. This makes the existing robust algorithms
inapplicable. In this paper, we take the first step to study the RoseNets
problem. We design a robust greedy algorithm, which is robust against the
removal of an arbitrary subset of the selected elements. The approximation
ratio of the algorithm depends both on the number of the removed elements and
the network topology. We further conduct experiments on real applications of
recommendation and link prediction. The experimental results demonstrate the
effectiveness of the proposed algorithm.
- Abstract（参考訳）: 本稿では, アンダーライン{R}obust \underline{o}ptimization for \underline{se}quence \underline{Net}worked \underline{s}ubmodular maximization (RoseNets) 問題について検討する。
配列ネットワークによる部分モジュラー最大化により、ロバストな最適化を行う。
要素は有向非巡回グラフで連結され、目的関数は要素上ではなくグラフの辺上で部分モジュラーである。
このようなネットワーク化されたサブモジュラーシナリオでは、要素をシーケンスから削除する影響は、シーケンスとネットワークの位置の両方に依存する。
これにより、既存のロバストアルゴリズムは適用できない。
本稿では、RoseNets問題を研究するための第一歩を踏み出す。
我々は、選択した要素の任意の部分集合の除去に対して頑健な頑健な欲求アルゴリズムを設計する。
アルゴリズムの近似比は、除去された要素の数とネットワークトポロジーの両方に依存する。
さらに、推奨とリンク予測の実際の応用に関する実験を行う。
実験の結果,提案アルゴリズムの有効性が示された。
関連論文リスト
- LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。
本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
論文 参考訳（メタデータ） (2024-07-18T22:05:21Z) - PruneSymNet: A Symbolic Neural Network and Pruning Algorithm for
Symbolic Regression [14.38941096136575]
記号回帰は、データの理解と解釈をより良くするために、データから解釈可能な記号表現を導出することを目的としている。
本研究では,記号回帰のためにPruneSymNetと呼ばれるシンボルネットワークを提案する。
データフィッティングの精度を確保しつつ,ネットワークをサブネットワークにプルークするグリーディープルーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-25T11:53:35Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Revisiting Matching Pursuit: Beyond Approximate Submodularity [27.284246496104238]
本研究では,大集合からベクトルの部分集合を選択する問題について検討し,関数群に対する最良の信号表現を得る。
期待において劣モジュラであることを示す関数を導入する。
この関数は、期待するときにグリーディアルゴリズムによってほぼ最適性を保証するだけでなく、よく使われるマッチング追従法(MP)アルゴリズムの既存の欠陥を緩和する。
論文 参考訳（メタデータ） (2023-05-12T22:03:14Z) - Robust Training and Verification of Implicit Neural Networks: A
Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。
組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。
MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文 参考訳（メタデータ） (2022-08-08T03:13:24Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - Consistency of random-walk based network embedding algorithms [13.214230533788932]
node2vecアルゴリズムとDeepWalkアルゴリズムを行列ファクタリゼーションの観点から検討する。
その結果,観測ネットワークの幅,ランダムウォークのウィンドウサイズ,ノード2vec/DeepWalk埋め込みの収束率との微妙な相互作用が示唆された。
論文 参考訳（メタデータ） (2021-01-18T22:49:22Z) - Submodular Maximization in Clean Linear Time [42.51873363778082]
我々は,濃度(サイズ)制約下での部分モジュライメーションの厳密な1-1/e$近似を保証する,最初の決定論的アルゴリズムを提供する。
解に対して許容される濃度が一定であるとき、関数評価のサブ線形数を作るアルゴリズムは、任意の定数比を保証できないことを示す。
我々は,映画推薦,位置情報要約,twitterテキスト要約,ビデオ要約など,複数のリアルタイム機械学習アプリケーションにおいて,我々のアルゴリズムを広範囲に評価する。
論文 参考訳（メタデータ） (2020-06-16T17:06:45Z) - Online Sequential Extreme Learning Machines: Features Combined From
Hundreds of Midlayers [0.0]
本稿では階層型オンラインシーケンシャル学習アルゴリズム(H-OS-ELM)を提案する。
アルゴリズムは、一定のブロックサイズまたは異なるブロックサイズでチャンクごとにチャンクを学習することができる。
論文 参考訳（メタデータ） (2020-06-12T00:50:04Z) - Eigendecomposition-Free Training of Deep Networks for Linear
Least-Square Problems [107.3868459697569]
我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。
この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。
我々の手法は収束特性が良く、最先端の結果が得られます。
論文 参考訳（メタデータ） (2020-04-15T04:29:34Z)
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。