論文の概要: Solving the Kidney-Exchange Problem via Graph Neural Networks with No Supervision

• arxiv url: http://arxiv.org/abs/2304.09975v1
• Date: Wed, 19 Apr 2023 21:25:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 15:06:22.730998
• Title: Solving the Kidney-Exchange Problem via Graph Neural Networks with No Supervision
• Title（参考訳）: スーパービジョンのないグラフニューラルネットワークによるキドニー交換問題の解法
• Authors: Pedro Foletto Pimenta, Pedro H. C. Avelar and Luis C. Lamb
• Abstract要約: 本稿では,KidneyExchange Problem (KEP) を解くための学習に基づく新しいアプローチを提案する。 この問題は、腎臓提供者のプールと腎臓提供者を待っている患者が与えられた場合、移植の量と品質を最適化するために、最適に寄付のセットを選択します。 提案手法は2つの主要なステップから構成される: 1つは教師無しで訓練されたグラフニューラルネットワーク(GNN)、2つ目はGNNの出力を使って経路やサイクルを見つける決定論的非学習探索である。
• 参考スコア（独自算出の注目度）: 1.469597968606607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a new learning-based approach for approximately solving the Kidney-Exchange Problem (KEP), an NP-hard problem on graphs. The problem consists of, given a pool of kidney donors and patients waiting for kidney donations, optimally selecting a set of donations to optimize the quantity and quality of transplants performed while respecting a set of constraints about the arrangement of these donations. The proposed technique consists of two main steps: the first is a Graph Neural Network (GNN) trained without supervision; the second is a deterministic non-learned search heuristic that uses the output of the GNN to find paths and cycles. To allow for comparisons, we also implemented and tested an exact solution method using integer programming, two greedy search heuristics without the machine learning module, and the GNN alone without a heuristic. We analyze and compare the methods and conclude that the learning-based two-stage approach is the best solution quality, outputting approximate solutions on average 1.1 times more valuable than the ones from the deterministic heuristic alone.
• Abstract（参考訳）: 本稿では,グラフ上のNP困難問題であるKidney-Exchange Problem (KEP) を解くための学習に基づく新しいアプローチを提案する。 この問題は、腎臓ドナーのプールと腎臓ドナーを待っている患者が与えられると、これらのドナーの配置に関する一連の制約を尊重しながら行われる移植の量と品質を最適化する一連のドナーを最適に選択する。 提案手法は2つの主要なステップから構成される: 1つは教師無しで訓練されたグラフニューラルネットワーク(GNN)、2つ目は、GNNの出力を使って経路やサイクルを見つける決定論的非学習的探索ヒューリスティックである。 比較のために、整数プログラミングを用いた正確な解法、機械学習モジュールを使わずに2つのグリージー検索ヒューリスティック、ヒューリスティックを使わずにGNNのみを実装・テストした。 提案手法を解析・比較し,学習に基づく2段階アプローチが最良解品質であると結論し,決定論的ヒューリスティックのみの解よりも平均1.1倍価値の高い解を導出する。

関連論文リスト

• Assessing and Enhancing Graph Neural Networks for Combinatorial Optimization: Novel Approaches and Application in Maximum Independent Set Problems [0.0]
  Graph Neural Networks (GNNs)は、コンビネーション最適化(CO)問題の解決における研究者の約束を示す。 本研究では,最大独立集合(MIS)問題の解法におけるGNNの有効性について検討した。
  論文  参考訳（メタデータ） (2024-11-06T09:12:31Z)
• Neural Algorithmic Reasoning with Multiple Correct Solutions [16.045068056647676]
  一部のアプリケーションでは、複数の正しい解を回収することが望ましい。 BF(Bellman-Ford)とDFS(Depth-First Search)の2つの古典的アルゴリズムで本手法を実証する。 この方法は、モデル出力からソリューションをサンプリングし、検証するだけでなく、適切なトレーニングデータを生成することを含む。
  論文  参考訳（メタデータ） (2024-09-11T02:29:53Z)
• What to Do When Your Discrete Optimization Is the Size of a Neural Network? [24.546550334179486]
  ニューラルネットワークを用いた機械学習アプリケーションは、離散最適化問題を解くことを含む。 離散的な設定で使用される古典的なアプローチは、大きなニューラルネットワークに対してうまくスケールしない。 連続経路(CP)法は,前者およびモンテカルロ法(MC)法を純粋に表現し,後者を表現している。
  論文  参考訳（メタデータ） (2024-02-15T21:57:43Z)
• Learning To Dive In Branch And Bound [95.13209326119153]
  グラフニューラルネットワークを用いて特定の潜水構造を学習するためのL2Diveを提案する。 我々は、変数の割り当てを予測するために生成モデルを訓練し、線形プログラムの双対性を利用して潜水決定を行う。
  論文  参考訳（メタデータ） (2023-01-24T12:01:45Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Gradient-Free Methods for Deterministic and Stochastic Nonsmooth Nonconvex Optimization [94.19177623349947]
  非滑らかな非最適化問題は、機械学習とビジネス製造に現れる。 2つのコア課題は、有限収束を保証する効率的な方法の開発を妨げる。 GFMとSGFMの2相版も提案され, 改良された大規模評価結果が得られた。
  論文  参考訳（メタデータ） (2022-09-12T06:53:24Z)
• What's Wrong with Deep Learning in Tree Search for Combinatorial Optimization [8.879790406465556]
  本稿では、NP-hard Maximum Independent Set問題に対するオープンソースのベンチマークスイートについて、その重み付けと非重み付けの両変種について述べる。 また,Li らによる木探索アルゴリズム (NeurIPS 2018) の詳細な解析を行い,小型および大規模合成および実世界のグラフ上で様々な構成を検証した。 木探索で用いられるグラフ畳み込みネットワークは,解構造の有意な表現を学ばず,実際にランダムな値に置き換えることができることを示す。
  論文  参考訳（メタデータ） (2022-01-25T17:37:34Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)
• Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
  本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。 解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
  論文  参考訳（メタデータ） (2021-03-15T17:26:34Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。