論文の概要: NeuroCUT: A Neural Approach for Robust Graph Partitioning

• arxiv url: http://arxiv.org/abs/2310.11787v1
• Date: Wed, 18 Oct 2023 08:27:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 17:15:30.565860
• Title: NeuroCUT: A Neural Approach for Robust Graph Partitioning
• Title（参考訳）: neurocut:ロバストグラフ分割のためのニューラルネットワークアプローチ
• Authors: Rishi Shah, Krishnanshu Jain, Sahil Manchanda, Sourav Medya and Sayan Ranu
• Abstract要約: グラフパーティショニングは、グラフを$k$非結合サブセットに分割し、特定のパーティショニングの目的を最適化することを目的としている。 グラフ分割に関する定式化の大部分は、その性質からNP硬度を示す。 伝統的なアプローチは特定のパーティショニングの目的に合わせて調整されており、文献から既知のパーティショニングの目的に対してうまく一般化されていない。 本研究では,ニューロカット(NeuroCut)という新しいフレームワークを通じて,この作業範囲を拡張した。
• 参考スコア（独自算出の注目度）: 16.19980206727682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph partitioning aims to divide a graph into $k$ disjoint subsets while optimizing a specific partitioning objective. The majority of formulations related to graph partitioning exhibit NP-hardness due to their combinatorial nature. As a result, conventional approximation algorithms rely on heuristic methods, sometimes with approximation guarantees and sometimes without. Unfortunately, traditional approaches are tailored for specific partitioning objectives and do not generalize well across other known partitioning objectives from the literature. To overcome this limitation, and learn heuristics from the data directly, neural approaches have emerged, demonstrating promising outcomes. In this study, we extend this line of work through a novel framework, NeuroCut. NeuroCut introduces two key innovations over prevailing methodologies. First, it is inductive to both graph topology and the partition count, which is provided at query time. Second, by leveraging a reinforcement learning based framework over node representations derived from a graph neural network, NeuroCut can accommodate any optimization objective, even those encompassing non-differentiable functions. Through empirical evaluation, we demonstrate that NeuroCut excels in identifying high-quality partitions, showcases strong generalization across a wide spectrum of partitioning objectives, and exhibits resilience to topological modifications.
• Abstract（参考訳）: グラフパーティショニングは、グラフを$k$非結合サブセットに分割し、特定のパーティショニング目的を最適化することを目的としている。 グラフ分割に関する定式化の大部分は、その組合せの性質によりNP硬度を示す。 結果として、従来の近似アルゴリズムはヒューリスティックな手法に依存しており、時には近似を保証する。 残念なことに、伝統的なアプローチは特定の分割の目的のために調整されており、文献から他の既知の分割の目的をうまく一般化していない。 この制限を克服し、データから直接ヒューリスティックスを学ぶために、ニューラルネットワークが登場し、有望な結果を示している。 本研究では,ニューロカットという新たな枠組みを用いて,この研究を展開する。 NeuroCutは、一般的な方法論に関する2つの重要なイノベーションを紹介している。 まず、クエリ時に提供されるグラフトポロジとパーティションカウントの両方に誘導される。 第二に、グラフニューラルネットワークから派生したノード表現よりも強化学習に基づくフレームワークを活用することにより、NeuroCutは、微分不可能な関数を含む任意の最適化目標を満たすことができる。 経験的評価を通じて,ニューロカットは高品質なパーティションの同定に優れ,広い範囲の分割対象に対して強い一般化を示し,トポロジカルな修正に対するレジリエンスを示す。

関連論文リスト

• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Equivariance with Learned Canonicalization Functions [77.32483958400282]
  正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。 実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2022-11-11T21:58:15Z)
• Neural Set Function Extensions: Learning with Discrete Functions in High Dimensions [63.21838830509772]
  集合関数を低次元連続領域に拡張するためのフレームワークを開発する。 我々のフレームワークは、よく知られた拡張を特殊ケースとして仮定する。 我々は低次元ニューラルネットワークボトルネックを高次元空間における表現に変換する。
  論文  参考訳（メタデータ） (2022-08-08T10:58:02Z)
• A Differentiable Approach to Combinatorial Optimization using Dataless Neural Networks [20.170140039052455]
  我々は、ソリューションを生成するニューラルネットワークのトレーニングにデータを必要としないという、根本的に異なるアプローチを提案する。 特に、最適化問題をニューラルネットワークに還元し、データレストレーニングスキームを用いて、それらのパラメータが関心の構造をもたらすように、ネットワークのパラメータを洗練する。
  論文  参考訳（メタデータ） (2022-03-15T19:21:31Z)
• Partition-Based Active Learning for Graph Neural Networks [17.386869902409153]
  グラフニューラルネットワーク(GNN)を用いた半教師あり学習の課題を,アクティブな学習環境において検討する。 GNNのための新しいパーティションベースのアクティブラーニングアプローチであるGraphPartを提案する。
  論文  参考訳（メタデータ） (2022-01-23T22:51:14Z)
• Multi-objective Explanations of GNN Predictions [15.563499097282978]
  グラフニューラルネットワーク(GNN)は,様々な高精度な予測タスクにおいて最先端のパフォーマンスを達成した。 従来の手法では、より単純なサブグラフを使用して、完全なモデルをシミュレートしたり、予測の原因を特定するために偽造物を使ったりしていた。
  論文  参考訳（メタデータ） (2021-11-29T16:08:03Z)
• Generalized One-Class Learning Using Pairs of Complementary Classifiers [41.64645294104883]
  1クラス学習は、単一のクラスでのみアノテーションが利用できるデータにモデルを適合させる古典的な問題である。 本稿では,一級学習の新たな目的を探求し,これを一般化一級識別サブスペース(GODS)と呼ぶ。
  論文  参考訳（メタデータ） (2021-06-24T18:52:05Z)
• Partition-based formulations for mixed-integer optimization of trained ReLU neural networks [66.88252321870085]
  本稿では,訓練されたReLUニューラルネットワークのための混合整数式について紹介する。 1つの極端な場合、入力毎に1つのパーティションがノードの凸殻、すなわち各ノードの最も厳密な可能な定式化を回復する。
  論文  参考訳（メタデータ） (2021-02-08T17:27:34Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

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。