論文の概要: Bi-objective Optimization in Role Mining

• arxiv url: http://arxiv.org/abs/2403.16757v1
• Date: Mon, 25 Mar 2024 13:36:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 20:03:02.317210
• Title: Bi-objective Optimization in Role Mining
• Title（参考訳）: 役割マイニングにおける双方向最適化
• Authors: Jason Crampton, Eduard Eiben, Gregory Gutin, Daniel Karapetyan, Diptapriyo Majumdar,
• Abstract要約: ロールマイニング(Role mining)は、既存のポリシーからロールベースの認証ポリシーを導出する技術である。 まず、一般化ノイズロールマイニング問題(GNRM)を紹介する。 GNRM はパラメータ $r + k$ で固定パラメータ tractable であることを示し、$r$ はソリューション内のロールの数である。 次に、整数計画解法であるGurobiを用いてBO-GNRMの問題を解く実験結果について報告する。
• 参考スコア（独自算出の注目度）: 6.121341817409735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Role mining is a technique used to derive a role-based authorization policy from an existing policy. Given a set of users $U$, a set of permissions $P$ and a user-permission authorization relation $\mahtit{UPA}\subseteq U\times P$, a role mining algorithm seeks to compute a set of roles $R$, a user-role authorization relation $\mathit{UA}\subseteq U\times R$ and a permission-role authorization relation $\mathit{PA}\subseteq R\times P$, such that the composition of $\mathit{UA}$ and $\mathit{PA}$ is close (in some appropriate sense) to $\mathit{UPA}$. In this paper, we first introduce the Generalized Noise Role Mining problem (GNRM) -- a generalization of the MinNoise Role Mining problem -- which we believe has considerable practical relevance. Extending work of Fomin et al., we show that GNRM is fixed parameter tractable, with parameter $r + k$, where $r$ is the number of roles in the solution and $k$ is the number of discrepancies between $\mathit{UPA}$ and the relation defined by the composition of $\mathit{UA}$ and $\mathit{PA}$. We further introduce a bi-objective optimization variant of GNRM, where we wish to minimize both $r$ and $k$ subject to upper bounds $r\le \bar{r}$ and $k\le \bar{k}$, where $\bar{r}$ and $\bar{k}$ are constants. We show that the Pareto front of this bi-objective optimization problem (BO-GNRM) can be computed in fixed-parameter tractable time with parameter $\bar{r}+\bar{k}$. We then report the results of our experimental work using the integer programming solver Gurobi to solve instances of BO-GNRM. Our key findings are that (a) we obtained strong support that Gurobi's performance is fixed-parameter tractable, (b) our results suggest that our techniques may be useful for role mining in practice, based on our experiments in the context of three well-known real-world authorization policies.
• Abstract（参考訳）: ロールマイニング(Role mining)は、既存のポリシーからロールベースの認証ポリシーを導出する技術である。 ユーザセットのU$、パーミッションのセット$P$とユーザパーミッションの承認関係$\mahtit{UPA}\subseteq U\times P$、ロールマイニングアルゴリズムはロールのセット$R$、ユーザロールの承認関係$\mathit{UA}\subseteq U\times R$、パーミッションの認可関係$\mathit{PA}\subseteq R\times P$を計算し、$\mathit{UA}$と$\mathit{PA}$の合成が(ある意味では)$\mathit{UPA}$に近づく。 本稿では,まず,Minnoise Role Mining問題の一般化であるGeneralized Noise Role Mining problem (GNRM)を紹介する。 ここで$r$はソリューション内のロールの数であり、$k$は$\mathit{UPA}$と$\mathit{UA}$と$\mathit{PA}$の合成によって定義される関係の差の数である。 さらに、GNRMの双目的最適化変種を導入し、上界の$r$と$k$の両方を最小化したい:$r\le \bar{r}$と$k\le \bar{k}$、$\bar{r}$と$\bar{k}$は定数である。 この双目的最適化問題(BO-GNRM)のパレートフロントはパラメータ $\bar{r}+\bar{k}$ で固定パラメータ抽出可能な時間で計算可能であることを示す。 次に、整数計画解法であるGurobiを用いてBO-GNRMの問題を解く実験結果について報告する。 私たちの重要な発見は (a)グロビのパフォーマンスが固定パラメータのトラクタブルであるという強い支持を得た。 b) この手法は実世界の3つの認証政策の文脈において, 実地における役割マイニングに有用である可能性が示唆された。

関連論文リスト

• Monge-Kantorovich Fitting With Sobolev Budgets [6.748324975906262]
  近似の性能をMonge-Kantorovich $p$-costで定量化する。 次に、ソボレフ予算の制約の下で、機能的$mathscrJ_p(f)$を最小化するものとして問題を再構築する。
  論文  参考訳（メタデータ） (2024-09-25T01:30:16Z)
• Fast Rates for Bandit PAC Multiclass Classification [73.17969992976501]
  我々は,帯域幅フィードバックを用いたマルチクラスPAC学習について検討し,入力を$K$ラベルの1つに分類し,予測されたラベルが正しいか否かに制限する。 我々の主な貢献は、問題の無知な$(varepsilon,delta)$PACバージョンのための新しい学習アルゴリズムを設計することである。
  論文  参考訳（メタデータ） (2024-06-18T08:54:04Z)
• Efficient Frameworks for Generalized Low-Rank Matrix Bandit Problems [61.85150061213987]
  一般化線形モデル (GLM) フレームワークを用いて, citelu2021low で提案した一般化低ランク行列帯域問題について検討する。 既存のアルゴリズムの計算不可能性と理論的制約を克服するため,まずG-ESTTフレームワークを提案する。 G-ESTT は $tildeO(sqrt(d_1+d_2)3/2Mr3/2T)$ bound of regret を達成でき、G-ESTS は $tildeO を達成できることを示す。
  論文  参考訳（メタデータ） (2024-01-14T14:14:19Z)
• Learning Thresholds with Latent Values and Censored Feedback [18.129896050051432]
  未知の報酬$g(gamma, v)$が提案されたしきい値$gamma$と潜伏値$v$に依存する問題を示し、そのしきい値が未知の潜伏値よりも低い場合のみ$$を達成できる。 この問題は、オンラインオークションにおける予約価格の最適化、クラウドソーシングにおけるオンラインタスクの割り当て、雇用におけるリクルートバーの設定など、現実的なシナリオにおける幅広い応用がある。
  論文  参考訳（メタデータ） (2023-12-07T19:30:08Z)
• Provably Efficient Reinforcement Learning via Surprise Bound [66.15308700413814]
  本稿では,一般値関数近似を用いた効率の良い強化学習アルゴリズムを提案する。 本アルゴリズムは, 線形設定と疎高次元線形設定の両方に適用した場合に, 合理的な後悔境界を達成できる。
  論文  参考訳（メタデータ） (2023-02-22T20:21:25Z)
• Near Sample-Optimal Reduction-based Policy Learning for Average Reward MDP [58.13930707612128]
  この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。 我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
  論文  参考訳（メタデータ） (2022-12-01T15:57:58Z)
• Reward-Mixing MDPs with a Few Latent Contexts are Learnable [75.17357040707347]
  報酬混合マルコフ決定過程(RMMDP)におけるエピソード強化学習の検討 我々のゴールは、そのようなモデルにおける時間段階の累積報酬をほぼ最大化する、ほぼ最適に近いポリシーを学ぶことである。
  論文  参考訳（メタデータ） (2022-10-05T22:52:00Z)
• Agnostic Reinforcement Learning with Low-Rank MDPs and Rich Observations [79.66404989555566]
  我々は、リッチな観測空間を持つより現実的な非依存的RLの設定と、近似的ポリシーを含まないような固定されたポリシーのクラス$Pi$を考える。 我々は,MDPの階数$d$の誤差が有界な設定のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-22T03:20:40Z)
• Sample Efficient Reinforcement Learning via Low-Rank Matrix Estimation [30.137884459159107]
  連続状態と行動空間を用いた強化学習において,Q$関数を効率よく学習する方法を考える。 我々は、$epsilon$-Schmidt $Q$-functionと$widetildeO(frac1epsilonmax(d1, d_2)+2)$のサンプル複雑性を求める単純な反復学習アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2020-06-11T00:55:35Z)
• Robust Interference Management for SISO Systems with Multiple Over-the-Air Computations [16.52374405363812]
  複素数値を共有するMAC上での総和のオーバー・ザ・エア計算について考察する。 適切なTx-Rxスケーリング因子を見つけることは、$s_n$の計算における低エラーとそれによって引き起こされる干渉との間にバランスをとる。
  論文  参考訳（メタデータ） (2020-04-21T11:15:26Z)

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。