論文の概要: Continuous Time Analysis of Dynamic Matching in Heterogeneous Networks
- arxiv url: http://arxiv.org/abs/2302.09757v1
- Date: Mon, 20 Feb 2023 04:45:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 16:47:29.448562
- Title: Continuous Time Analysis of Dynamic Matching in Heterogeneous Networks
- Title（参考訳）: 不均一ネットワークにおける動的マッチングの連続時間解析
- Authors: Xiaowu Dai and Hengzhi He
- Abstract要約: 常微分方程式(ODE)モデルを確立することによって動的マッチングをモデル化する新しい手法を提案する。
ヘテロジニアスネットワークにおいて,整合性のあるハード・ト・マッチ・エージェントのマッチングを容易・ト・マッチ・エージェントよりも優先する2つのアルゴリズムについて検討した。
この結果から,エージェントの相反する目標間のトレードオフを迅速かつ最適に示し,実世界の動的マッチングシステムの設計に関する洞察を提供する。
- 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: This paper addresses the problem of dynamic matching in heterogeneous
networks, where agents are subject to compatibility restrictions and stochastic
arrival and departure times. In particular, we consider networks with one type
of easy-to-match agents and multiple types of hard-to-match agents, each
subject to its own set of compatibility constraints. Such a setting arises in
many real-world applications, including kidney exchange programs and carpooling
platforms, where some participants may have more stringent compatibility
requirements than others. We introduce a novel approach to modeling dynamic
matching by establishing ordinary differential equation (ODE) models, offering
a new perspective for evaluating various matching algorithms. We study two
algorithms, the Greedy Algorithm and the Patient Algorithm, which prioritize
the matching of compatible hard-to-match agents over easy-to-match agents in
heterogeneous networks. Our results show the trade-off between the conflicting
goals of matching agents quickly and optimally, offering insights into the
design of real-world dynamic matching systems. We present simulations and a
real-world case study using data from the Organ Procurement and Transplantation
Network to validate theoretical predictions.
- Abstract（参考訳）: 本稿では,エージェントが互換性制限と確率的到着・出発時間を受ける異種ネットワークにおける動的マッチングの問題について述べる。
特に,一種類の使い易いエージェントと複数種類の使い易いエージェントを持つネットワークについて検討し,それぞれに独自の互換性制約を課す。
このような設定は、腎臓交換プログラムやカープールプラットフォームなど、現実世界の多くのアプリケーションで発生し、一部の参加者は、他の参加者よりも厳密な互換性要件を持つ可能性がある。
本稿では,正規微分方程式(ode)モデルを確立することによって,動的マッチングをモデル化する新しい手法を提案する。
本研究では,不均質ネットワークにおいて,適合性のあるハード・トゥ・マッチエージェントと容易・マッチ・エージェントのマッチングを優先するグリーディアルゴリズムと患者アルゴリズムの2つのアルゴリズムについて検討した。
この結果から,エージェントの相反する目標間のトレードオフを迅速かつ最適に示し,実世界の動的マッチングシステムの設計に関する洞察を提供する。
本稿では,Organ Procurement and Transplantation Networkのデータを用いたシミュレーションと実世界のケーススタディを行い,理論的予測を検証した。
関連論文リスト
- Performance-Aware Self-Configurable Multi-Agent Networks: A Distributed Submodular Approach for Simultaneous Coordination and Network Design [3.5527561584422465]
本稿では、AlterNAting Coordination and Network-Design Algorithm(Anaconda)を紹介する。
Anacondaはスケーラブルなアルゴリズムで、ほぼ最適性を保証する。
地域モニタリングのシミュレーションシナリオを実演し,それを最先端のアルゴリズムと比較する。
論文 参考訳（メタデータ） (2024-09-02T18:11:33Z) - Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。
現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
課題群規則化(Task Groupings Regularization)は、矛盾するタスクをグループ化し整合させることにより、モデルの不均一性から恩恵を受ける新しいアプローチである。
論文 参考訳（メタデータ） (2024-05-26T13:11:55Z) - Quantized Hierarchical Federated Learning: A Robust Approach to
Statistical Heterogeneity [3.8798345704175534]
本稿では,コミュニケーション効率に量子化を組み込んだ新しい階層型フェデレーション学習アルゴリズムを提案する。
最適性ギャップと収束率を評価するための包括的な分析フレームワークを提供する。
この結果から,本アルゴリズムはパラメータの範囲で常に高い学習精度を達成できることが判明した。
論文 参考訳（メタデータ） (2024-03-03T15:40:24Z) - Scalable Decentralized Algorithms for Online Personalized Mean Estimation [12.002609934938224]
本研究は,各エージェントが実数値分布からサンプルを収集し,その平均値を推定する,オーバーアーキシング問題の簡易版に焦点を当てた。
1つは信念の伝播からインスピレーションを得ており、もう1つはコンセンサスに基づくアプローチを採用している。
論文 参考訳（メタデータ） (2024-02-20T08:30:46Z) - Interacting Particle Systems on Networks: joint inference of the network
and the interaction kernel [8.535430501710712]
エージェント間の相互作用のルールを決定するネットワークとシステムの重み行列を推論する。
我々は2つのアルゴリズムを使用する: 1つは演算子回帰と呼ばれる新しいアルゴリズムで、最小2乗のデータを交互に更新する。
どちらのアルゴリズムも、識別可能性と適正性を保証するスケーラブルな条件である。
論文 参考訳（メタデータ） (2024-02-13T12:29:38Z) - Redefining Neural Architecture Search of Heterogeneous Multi-Network
Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。
モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文 参考訳（メタデータ） (2021-06-16T17:12:26Z) - Semantic Correspondence with Transformers [68.37049687360705]
本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。
初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。
提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
論文 参考訳（メタデータ） (2021-06-04T14:39:03Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳（メタデータ） (2021-03-05T04:42:32Z) - DANR: Discrepancy-aware Network Regularization [15.239252118069762]
ネットワーク正規化は、ネットワーク上のコヒーレントモデルを学習するための効果的なツールである。
本稿では,正規化が不十分で,時間的ネットワーク上でのモデル進化と構造変化を効果的に捉える新しい手法を提案する。
本研究では,乗算器の交互化法(ADMM)に基づくスケーラブルでスケーラブルなアルゴリズムを開発し,大域的最適解への収束を保証する。
論文 参考訳（メタデータ） (2020-05-31T02:01:19Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。