Fugu-MT 論文翻訳(概要): Edge-set reduction to efficiently solve the graph partitioning problem with the genetic algorithm

論文の概要: Edge-set reduction to efficiently solve the graph partitioning problem with the genetic algorithm

arxiv url: http://arxiv.org/abs/2307.10410v1
Date: Wed, 19 Jul 2023 18:39:15 GMT
ステータス: 処理完了
システム内更新日: 2023-07-21 15:48:50.179476
Title: Edge-set reduction to efficiently solve the graph partitioning problem with the genetic algorithm
Title（参考訳）: 遺伝的アルゴリズムによるエッジセット削減によるグラフ分割問題の解法
Authors: Ali Chaouche and Menouar Boulif
Abstract要約: エッジベース遺伝的アルゴリズム(GA)における染色体サイズ変更の影響について検討する。大型の高密度インスタンスの場合,符号化表現のサイズが巨大になり,GAの効率に影響を及ぼすことを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The graph partitioning problem (GPP) is among the most challenging models in optimization. Because of its NP-hardness, the researchers directed their interest towards approximate methods such as the genetic algorithms (GA). The edge-based GA has shown promising results when solving GPP. However, for big dense instances, the size of the encoding representation becomes too huge and affects GA's efficiency. In this paper, we investigate the impact of modifying the size of the chromosomes on the edge based GA by reducing the GPP edge set. We study the GA performance with different levels of reductions, and we report the obtained results.
Abstract（参考訳）: グラフ分割問題(GPP)は最適化において最も困難なモデルの一つである。 NPの硬さのため、研究者らは遺伝的アルゴリズム(GA)のような近似手法への関心を向けた。エッジベースのgaはgppの解決に有望な結果を示している。しかし、大きな密度のインスタンスの場合、符号化表現のサイズは巨大になり、GAの効率に影響を及ぼす。本稿では,GPPエッジセットを小さくすることで,染色体サイズがエッジベースGAに与える影響について検討する。我々は,ga性能を異なるレベルの低減度で検討し,得られた結果を報告する。

関連論文リスト

Graph Adversarial Diffusion Convolution [49.974206213411904]
本稿では,グラフ信号デノイング(GSD)問題に対する min-max 最適化の定式化を提案する。 Graph Adversarial Diffusion Convolution (GADC)と呼ばれる新しいGraph Diffusion Convolutionアーキテクチャを導出する。
論文参考訳（メタデータ） (2024-06-04T07:43:04Z)
Rethinking and Accelerating Graph Condensation: A Training-Free Approach with Class Partition [56.26113670151363]
グラフ凝縮(Graph condensation)は、大きなグラフを小さいが情報的な凝縮グラフに置き換えるための、データ中心のソリューションである。既存のGCメソッドは複雑な最適化プロセスに悩まされており、過剰な計算資源を必要とする。我々は、CGC(Class-partitioned Graph Condensation)と呼ばれるトレーニング不要なGCフレームワークを提案する。 CGCはより効率的な凝縮プロセスで最先端の性能を達成する。
論文参考訳（メタデータ） (2024-05-22T14:57:09Z)
GARA: A novel approach to Improve Genetic Algorithms' Accuracy and Efficiency by Utilizing Relationships among Genes [1.7226572355808027]
本稿では,遺伝子間の関係を利用してGAの精度と効率を向上させる遺伝子制御遺伝的アルゴリズム(GRGA)を提案する。我々は、RGGRと呼ばれる溶液空間をカプセル化した有向多部グラフを使用し、各ノードは溶液中の遺伝子に対応し、エッジは隣り合うノード間の関係を表す。得られたRGGRは、クロスオーバーと突然変異演算子の適切な座を決定するために使用され、それによって進化過程をより速くより良く収束させる。
論文参考訳（メタデータ） (2024-04-28T08:33:39Z)
Improving genetic algorithms performance via deterministic population shrinkage [9.334663477968027]
本稿では,遺伝的アルゴリズム(GA)の性能に対する簡易変数集団サイズ法の適用可能性に関する実証的研究について述べる。それは、所定のスケジュールに従ってGAランの人口を減少させ、速度と重大度パラメータによって構成する。その結果,SVPS-GAは性能を向上しながら解の質を保ちつつ,性能向上に要する評価回数を削減し,速度重大性の組合せを示した。
論文参考訳（メタデータ） (2024-01-22T17:05:16Z)
Exploring Sparsity in Graph Transformers [67.48149404841925]
グラフ変換器(GT)は、様々なグラフ関連タスクにおいて印象的な結果を得た。しかし、GTsの膨大な計算コストは、特に資源制約のある環境でのデプロイメントと応用を妨げる。我々は、GTの計算複雑性を低減するのに役立つ、包括的な textbfGraph textbfTransformer textbfSParsification (GTSP) フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-09T06:21:44Z)
Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文参考訳（メタデータ） (2023-10-23T01:25:44Z)
T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
Understanding Gradient Regularization in Deep Learning: Efficient Finite-Difference Computation and Implicit Bias [15.739122088062793]
グラディエント正規化(GR、Gradient regularization)は、トレーニング中のトレーニング損失の規範を罰する手法である。勾配上昇段数と降下段数の両方からなる特定の有限差分計算がGRの計算コストを低減させることを示す。有限差分GRは、平らなミニマを探索するための反復的な昇降ステップと降下ステップに基づいて、他のアルゴリズムと密接に関連していることを示す。
論文参考訳（メタデータ） (2022-10-06T07:12:54Z)
Scalable Adversarial Attack on Graph Neural Networks with Alternating Direction Method of Multipliers [17.09807200410981]
乗算器の交互方向法(ADMM)を用いた最初のスケーラブルな対向攻撃法であるSAGを提案する。 SAGは最先端の手法と比較して計算量やメモリオーバーヘッドを大幅に削減できることを示す。
論文参考訳（メタデータ） (2020-09-22T00:33:36Z)
Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。