論文の概要: Imitation-regularized Optimal Transport on Networks: Provable Robustness
and Application to Logistics Planning
- arxiv url: http://arxiv.org/abs/2402.17967v1
- Date: Wed, 28 Feb 2024 01:19:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 16:43:53.904995
- Title: Imitation-regularized Optimal Transport on Networks: Provable Robustness
and Application to Logistics Planning
- Title（参考訳）: ネットワーク上の模倣規則化された最適輸送:確率ロバスト性とロジスティックス計画への応用
- Authors: Koshi Oishi, Yota Hashizume, Tomohiko Jimbo, Hirotaka Kaji, and Kenji
Kashima
- Abstract要約: I-OTソリューションは、ネットワーク上で定義されたコストの観点から堅牢性を示した。
また,提案手法の有効性と意義を実証するために,模倣とアプリオリリスク情報のシナリオについても検討した。
- 参考スコア（独自算出の注目度）: 4.943443725022745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network systems form the foundation of modern society, playing a critical
role in various applications. However, these systems are at significant risk of
being adversely affected by unforeseen circumstances, such as disasters.
Considering this, there is a pressing need for research to enhance the
robustness of network systems. Recently, in reinforcement learning, the
relationship between acquiring robustness and regularizing entropy has been
identified. Additionally, imitation learning is used within this framework to
reflect experts' behavior. However, there are no comprehensive studies on the
use of a similar imitation framework for optimal transport on networks.
Therefore, in this study, imitation-regularized optimal transport (I-OT) on
networks was investigated. It encodes prior knowledge on the network by
imitating a given prior distribution. The I-OT solution demonstrated robustness
in terms of the cost defined on the network. Moreover, we applied the I-OT to a
logistics planning problem using real data. We also examined the imitation and
apriori risk information scenarios to demonstrate the usefulness and
implications of the proposed method.
- Abstract（参考訳）: ネットワークシステムは現代社会の基礎を形成し、様々な応用において重要な役割を果たしている。
しかし、これらのシステムは災害などの予期せぬ状況に悪影響を及ぼす恐れがある。
これを踏まえて、ネットワークシステムの堅牢性を高める研究の必要性が高まっている。
近年,強化学習において,強靭性獲得と正規化エントロピーの関係が確認されている。
さらに、模倣学習は専門家の行動を反映するためにこのフレームワーク内で使用される。
しかし、ネットワーク上での最適な輸送に類似した模倣フレームワークを使用することに関する包括的な研究はない。
そこで本研究では,ネットワーク上での模倣正規化最適輸送(i-ot)について検討した。
与えられた事前分布を模倣してネットワーク上の事前知識を符号化する。
I-OTソリューションはネットワーク上で定義されたコストの観点から堅牢性を示した。
さらに,実データを用いた物流計画問題にI-OTを適用した。
また,提案手法の有効性と意義を実証するために,模倣とアプリオリリスク情報のシナリオについても検討した。
関連論文リスト
- TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。
3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
論文 参考訳（メタデータ） (2024-08-19T09:20:31Z) - Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。
我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文 参考訳（メタデータ） (2024-04-04T06:24:11Z) - Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects [17.44202934049009]
本稿では,グラフ機械学習アプローチとダブル機械学習フレームワークを組み合わせた新しい手法を提案する。
提案手法は,広範囲なシミュレーション研究を通じて,正確で堅牢でスケーラブルであることを示す。
論文 参考訳（メタデータ） (2024-03-17T20:23:42Z) - Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
可塑性の喪失は複数の独立したメカニズムに分解できることを示す。
種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
論文 参考訳（メタデータ） (2024-02-29T00:02:33Z) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳（メタデータ） (2023-02-02T13:41:18Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - Diffusion Source Identification on Networks with Statistical Confidence [12.805268849262246]
拡散源同定のための統計的枠組みを導入し,仮説テストに着想を得た信頼セット推論手法を開発した。
提案手法は,特定の信頼度を持つノードを確実にカバーするノードの小さなサブセットを効率よく生成する。
これは一般ネットワークにおける理論的保証を実質的に有益とする最初の拡散源同定法である。
論文 参考訳（メタデータ） (2021-06-09T04:21:03Z) - Joint Inference of Diffusion and Structure in Partially Observed Social
Networks Using Coupled Matrix Factorization [3.399624105745357]
本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。
提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。
これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
論文 参考訳（メタデータ） (2020-10-03T17:48:57Z) - Delta Schema Network in Model-based Reinforcement Learning [125.99533416395765]
この研究は、伝達学習の非効率性である人工知能の未解決問題に焦点が当てられている。
環境データからオブジェクトとアクション間の論理的関係を抽出できるスキーマネットワーク手法を拡張している。
本稿では,デルタネットワーク(DSN)をトレーニングし,環境の将来状態を予測し,前向きな報酬をもたらす計画行動を示すアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-17T15:58:25Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z)
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。