論文の概要: NeuroCUT: A Neural Approach for Robust Graph Partitioning
- arxiv url: http://arxiv.org/abs/2310.11787v2
- Date: Thu, 15 Feb 2024 15:31:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 23:50:24.727980
- 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: グラフ分割は、グラフを分離した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。
本研究では,従来の手法よりも2つの重要な革新を生かしたNeuroCUTを開発した。
まず、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と位置特徴に対して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は任意の最適化目標を満たすことができる。
次に、パラメータ空間とパーティションカウントを分離し、クエリ時に提供される任意のパーティション数にNeuroCUTを誘導する。
- 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 disjoint subsets while
optimizing a specific partitioning objective. The majority of formulations
related to graph partitioning exhibit NP-hardness due to their combinatorial
nature. Conventional methods, like approximation algorithms or heuristics, are
designed for distinct partitioning objectives and fail to achieve
generalization across other important partitioning objectives. Recently machine
learning-based methods have been developed that learn directly from data.
Further, these methods have a distinct advantage of utilizing node features
that carry additional information. However, these methods assume
differentiability of target partitioning objective functions and cannot
generalize for an unknown number of partitions, i.e., they assume the number of
partitions is provided in advance. In this study, we develop NeuroCUT with two
key innovations over previous methodologies. First, by leveraging a
reinforcement learning-based framework over node representations derived from a
graph neural network and positional features, NeuroCUT can accommodate any
optimization objective, even those with non-differentiable functions. Second,
we decouple the parameter space and the partition count making NeuroCUT
inductive to any unseen number of partition, which is provided at query time.
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 strong generalization to
unseen partition count.
- Abstract（参考訳）: グラフ分割は、グラフを分離したサブセットに分割し、特定のパーティショニング目標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。
近似アルゴリズムやヒューリスティックスのような従来の手法は、異なる分割目的のために設計されており、他の重要な分割目的に対して一般化を達成できない。
近年,データから直接学習する機械学習手法が開発されている。
さらに、これらの手法は追加情報を運ぶノード特徴を利用するという明確な利点がある。
しかし、これらの手法は対象の分割対象関数の微分可能性を仮定し、未知の数の分割を一般化することはできない。
本研究では,従来の手法よりも2つの重要な革新を生かしたNeuroCUTを開発した。
まず、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と位置特徴に対して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、微分不可能な関数であっても、任意の最適化目標を満たすことができる。
次に、パラメータ空間とパーティションカウントを分離し、クエリ時に提供される任意のパーティション数にNeuroCUTを誘導する。
実験的な評価により,NeuroCUTは高品質なパーティションの同定に優れ,分割対象の広い範囲にわたる強力な一般化を示し,見当たらないパーティション数に対する強力な一般化を示す。
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。