論文の概要: Spread Control Method on Unknown Networks Based on Hierarchical Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2308.14311v3
• Date: Thu, 12 Oct 2023 08:26:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 03:24:02.623167
• Title: Spread Control Method on Unknown Networks Based on Hierarchical Reinforcement Learning
• Title（参考訳）: 階層的強化学習に基づく未知ネットワーク上のスプレッド制御法
• Authors: Wenxiang Dong, Zhanjiang Chen and H.Vicky Zhao
• Abstract要約: 本稿では,ネットワーク構造探索と疫病対策のための階層的強化学習フレームワークを提案する。 提案するフレームワークには,ポリシ選択モジュール,探索モジュール,削除モジュールの3つのモジュールがある。 シミュレーションの結果,提案手法はベースライン法よりも優れていた。
• 参考スコア（独自算出の注目度）: 7.366405857677226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epidemics such as COVID-19 pose serious threats to public health and our society, and it is critical to investigate effective methods to control the spread of epidemics over networks. Prior works on epidemic control often assume complete knowledge of network structures, a presumption seldom valid in real-world situations. In this paper, we study epidemic control on networks with unknown structures, and propose a hierarchical reinforcement learning framework for joint network structure exploration and epidemic control. To reduce the action space and achieve computation tractability, our proposed framework contains three modules: the Policy Selection Module, which determines whether to explore the structure or remove nodes to control the epidemic; the Explore Module, responsible for selecting nodes to explore; and the Remove Module, which decides which nodes to remove to stop the epidemic spread. Simulation results show that our proposed method outperforms baseline methods.
• Abstract（参考訳）: 新型コロナウイルスなどの疫病は公衆衛生や社会に深刻な脅威をもたらし、ネットワーク上での感染拡大を抑制する効果的な方法を検討することが重要である。 疫病対策に関する先行研究は、しばしばネットワーク構造の完全な知識を前提としている。 本稿では,未知構造を持つネットワーク上での流行制御について検討し,ネットワーク構造探索と流行制御のための階層的強化学習フレームワークを提案する。 アクション空間を縮小し,計算の容易性を達成するため,提案するフレームワークには3つのモジュールが含まれている。そのモジュールは,構造を探索するか,流行を制御するためにノードを削除するかを決定するpolicy selection module,探索するノードを選択するexplore module,感染拡大を止めるためにどのノードを削除するかを決定するremove moduleである。 シミュレーションの結果,提案手法がベースライン法を上回ることがわかった。

関連論文リスト

• Towards Effective Planning Strategies for Dynamic Opinion Networks [6.004258622952781]
  介入計画には、キーノードの特定と制御の実行が含まれる。 ネットワークサイズが大きくなると、この問題は計算的に難解になる。 正確な情報を伝達するためのキーノードを識別するためのランキングアルゴリズムを導入する。 我々は強化学習に基づく集中型動的計画フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-10-18T00:13:56Z)
• Digital Twin-Oriented Complex Networked Systems based on Heterogeneous Node Features and Interaction Rules [13.28255056212425]
  本研究では,Digital Twin-Oriented Complex Networked Systemsのための拡張可能なモデリングフレームワークを提案する。 我々は,これらのネットワークに広まる流行に関連するネットワーク成長と異なる透過性に関する様々な特徴と規則を取り入れたシミュレーションベースのDT-CNSの実験を行う。
  論文  参考訳（メタデータ） (2023-08-18T01:54:48Z)
• Network-based Control of Epidemic via Flattening the Infection Curve: High-Clustered vs. Low-Clustered Social Networks [5.768625063623631]
  クラスタネットワークは一般的に、感染曲線をフラットにするのが簡単である。 距離に基づく集中度対策は、隔離/ワクチン接種のために個人を標的にするためのより良い選択である。
  論文  参考訳（メタデータ） (2023-03-16T09:37:21Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Estimating the State of Epidemics Spreading with Graph Neural Networks [41.93923100501976]
  アルゴリズム解は、限られた量の措置から人口全体の状態を推測するために使うことができる。 この課題を解決するために,深層ニューラルネットワークの能力を分析する。
  論文  参考訳（メタデータ） (2021-05-10T13:54:13Z)
• Controlling Graph Dynamics with Reinforcement Learning and Graph Neural Networks [86.05566365115729]
  本稿では,グラフ上の部分的に観測された動的過程を,限られた数の介入で制御する問題を考察する。 この問題は、ウイルス検査をスケジュールして流行を抑えるといった文脈で自然に発生する。 これを時間グラフプロセス上の決定問題として定式化する。
  論文  参考訳（メタデータ） (2020-10-11T18:44:50Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)
• Deep reinforcement learning for large-scale epidemic control [0.3694429692322631]
  本研究では,パンデミックインフルエンザの予防戦略を自動学習するための深層強化学習手法について検討する。 我々のモデルは、強化学習技術が実現できるように、複雑さと計算効率のバランスをとる。 この実験により, 大規模状態空間を持つ複雑な疫学モデルにおいて, 深層強化学習を用いて緩和策を学習できることが示唆された。
  論文  参考訳（メタデータ） (2020-03-30T17:57:09Z)
• Certified Robustness of Community Detection against Adversarial Structural Perturbation via Randomized Smoothing [81.71105567425275]
  本研究は, 対向構造摂動に対するコミュニティ検出の信頼性保証を初めて開発した。 このスムーズなコミュニティ検出手法は,任意のノード群を同一のコミュニティにグループ化する。 また,本手法を複数の実世界グラフ上で実験的に評価した。
  論文  参考訳（メタデータ） (2020-02-09T18:39:39Z)

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。