論文の概要: Intrinsically motivated graph exploration using network theories of human curiosity

• arxiv url: http://arxiv.org/abs/2307.04962v3
• Date: Sun, 19 Nov 2023 23:30:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 18:47:41.916328
• Title: Intrinsically motivated graph exploration using network theories of human curiosity
• Title（参考訳）: 人間好奇心のネットワーク理論を用いた本質的動機付けグラフ探索
• Authors: Shubhankar P. Patankar, Mathieu Ouellet, Juan Cervino, Alejandro Ribeiro, Kieran A. Murphy and Dani S. Bassett
• Abstract要約: 本稿では,人間の好奇心の2つの理論によるグラフ構造化データの探索手法を提案する。 提案した特徴を,グラフニューラルネットワークに基づく強化学習の報奨として利用する。 いくつかの実世界のグラフ環境において、好奇心を考慮した次のノードレコメンデーションは、PageRankよりも人間の選択を予測できることを示した。
• 参考スコア（独自算出の注目度）: 71.2717061477241
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intrinsically motivated exploration has proven useful for reinforcement learning, even without additional extrinsic rewards. When the environment is naturally represented as a graph, how to guide exploration best remains an open question. In this work, we propose a novel approach for exploring graph-structured data motivated by two theories of human curiosity: the information gap theory and the compression progress theory. The theories view curiosity as an intrinsic motivation to optimize for topological features of subgraphs induced by nodes visited in the environment. We use these proposed features as rewards for graph neural-network-based reinforcement learning. On multiple classes of synthetically generated graphs, we find that trained agents generalize to longer exploratory walks and larger environments than are seen during training. Our method computes more efficiently than the greedy evaluation of the relevant topological properties. The proposed intrinsic motivations bear particular relevance for recommender systems. We demonstrate that next-node recommendations considering curiosity are more predictive of human choices than PageRank centrality in several real-world graph environments, including MovieLens, Amazon Books, and Wikipedia.
• Abstract（参考訳）: 本質的に動機づけられた探索は、追加の外部報酬なしでも強化学習に役立つことが証明されている。 環境が自然にグラフとして表現される場合、探索を導く最善の方法は未解決の問題だ。 本研究では,情報ギャップ理論と圧縮進行理論という,人間の好奇心の2つの理論によるグラフ構造データ探索手法を提案する。 この理論は好奇心を、環境に訪れるノードによって引き起こされるサブグラフの位相的特徴を最適化する本質的な動機であると考えている。 これらの特徴をグラフニューラルネットワークに基づく強化学習の報奨として利用する。 合成生成グラフの複数のクラスにおいて、訓練されたエージェントは、訓練中に見られるよりも長い探索的歩行とより大きな環境に一般化する。 本手法は, トポロジ特性のグリーディ評価よりも効率的に計算する。 提案される本質的動機は、レコメンダシステムに対して特に関連がある。 我々は、好奇心を考慮した次のノードレコメンデーションが、MovieLens、Amazon Books、Wikipediaなど、現実世界のグラフ環境におけるPageRank中心性よりも人間の選択をより予測できることを示した。

関連論文リスト

• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Neural-Symbolic Recommendation with Graph-Enhanced Information [7.841447116972524]
  我々は,大域的暗黙的推論能力と局所的明示的論理推論能力の両方を備えたニューロシンボリックレコメンデーションモデルを構築した。 ユーザの振る舞いを命題論理表現に変換し,認知的推論の観点からレコメンデーションを実現する。
  論文  参考訳（メタデータ） (2023-07-11T06:29:31Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Saliency Prediction with External Knowledge [27.75589849982756]
  外部知識から学習した意味関係を符号化するグラフを構築するグラフセマンティック・サリエンシ・ネットワーク(GraSSNet)を開発した。 次にSpatial Graph Attention Networkが開発され、学習したグラフに基づいてSalliency機能を更新する。 実験により,提案モデルが外部知識から正当性を予測することを学習し,正当性ベンチマークを4つのベンチマークで比較した。
  論文  参考訳（メタデータ） (2020-07-27T20:12:28Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• EvoNet: A Neural Network for Predicting the Evolution of Dynamic Graphs [26.77596449192451]
  動的グラフの進化を予測するモデルを提案する。 具体的には、動的グラフの時間的進化パターンを捉えるために、グラフニューラルネットワークと繰り返しアーキテクチャを使用します。 提案手法は,ネットワークの進化にともなう複数の人工データセットと実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-03-02T12:59:05Z)

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。