論文の概要: Finding path and cycle counting formulae in graphs with Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2410.01661v1
- Date: Wed, 2 Oct 2024 15:29:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-04 16:13:24.573496
- Title: Finding path and cycle counting formulae in graphs with Deep Reinforcement Learning
- Title（参考訳）: 深層強化学習を用いたグラフにおける経路と周期数公式の探索
- Authors: Jason Piquenot, Maxime Bérar, Pierre Héroux, Jean-Yves Ramel, Romain Raveaux, Sébastien Adam,
- Abstract要約: 本稿では,モンテカルロ木探索 (MCTS) を用いた強化学習アルゴリズムであるGrammar Reinforcement Learning (GRL) と,プッシュダウンオートマトン (PDA) をモデル化したトランスフォーマーアーキテクチャを提案する。
GRLは2から6w.r.t状態の手法によって計算効率を向上させるパス/サイクルカウントの新しい行列式を発見した。
- 参考スコア（独自算出の注目度）: 5.4191965846664365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents Grammar Reinforcement Learning (GRL), a reinforcement learning algorithm that uses Monte Carlo Tree Search (MCTS) and a transformer architecture that models a Pushdown Automaton (PDA) within a context-free grammar (CFG) framework. Taking as use case the problem of efficiently counting paths and cycles in graphs, a key challenge in network analysis, computer science, biology, and social sciences, GRL discovers new matrix-based formulas for path/cycle counting that improve computational efficiency by factors of two to six w.r.t state-of-the-art approaches. Our contributions include: (i) a framework for generating gramformers that operate within a CFG, (ii) the development of GRL for optimizing formulas within grammatical structures, and (iii) the discovery of novel formulas for graph substructure counting, leading to significant computational improvements.
- Abstract（参考訳）: 本稿では,モンテカルロ木探索 (MCTS) を用いた強化学習アルゴリズムであるGrammar Reinforcement Learning (GRL) と,文脈自由文法 (CFG) フレームワーク内のプッシュダウンオートマトン (PDA) をモデル化したトランスフォーマーアーキテクチャを提案する。
ユースケースとして、ネットワーク分析、コンピュータ科学、生物学、社会科学における重要な課題であるグラフの経路とサイクルを効率的にカウントする問題を考えると、GRLは2から6w.r.tのステート・オブ・ザ・アートのアプローチによって計算効率を向上させるパス/サイクルカウントのための行列ベースの新しい公式を発見する。
コントリビューションには以下のものがある。
i)CFG内で動作するグラムフォーマを生成するためのフレームワーク。
(II)文法構造における公式の最適化のためのGRLの開発、及び
3) グラフサブ構造計数のための新しい公式の発見により, 計算精度が大幅に向上した。
関連論文リスト
- LEGO-GraphRAG: Modularizing Graph-based Retrieval-Augmented Generation for Design Space Exploration [18.649082227637066]
GraphRAGは、大規模言語モデル(LLM)の推論能力を高めるために、グラフを組込み知識で活用することで、検索拡張生成(RAG)における課題に対処する。
有望な可能性にもかかわらず、GraphRAGコミュニティは現在、グラフベースの知識検索プロセスのきめ細かい分解のための統一されたフレームワークを欠いている。
LEGO-GraphRAGは,GraphRAGの検索プロセスを3つの相互接続モジュールに分解するモジュールフレームワークである。
論文 参考訳（メタデータ） (2024-11-06T15:32:28Z) - G-PCGRL: Procedural Graph Data Generation via Reinforcement Learning [0.28273304533873334]
ゲームでは、グラフベースのデータ構造は全表現であり、ゲーム経済、スキルツリー、複雑な分岐クエストラインを表す。
本稿では,強化学習を用いたグラフデータの手続き生成のための新規かつ制御可能な手法を提案する。
本手法は,ゲーム作成プロセスにおいて,デザイナの支援とインスピレーションを行うために,グラフベースのコンテンツを迅速かつ確実に生成することができる。
論文 参考訳（メタデータ） (2024-07-15T07:11:00Z) - A structure-aware framework for learning device placements on computation graphs [15.282882425920064]
本稿では,OpenVINOツールキットから抽出したより小さなグラフに頼って,デバイス配置作業のための新しいフレームワークを提案する。
このフレームワークは、グラフの粗大化、ノード表現学習、ポリシー最適化を含む5つのステップで構成されている。
3つのベンチマークモデルを用いた複数の実験により,提案手法の柔軟性と有効性を示す。
論文 参考訳（メタデータ） (2024-05-23T05:29:29Z) - A Recursively Recurrent Neural Network (R2N2) Architecture for Learning
Iterative Algorithms [64.3064050603721]
本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。
本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
論文 参考訳（メタデータ） (2022-11-22T16:30:33Z) - Learning Linear Non-Gaussian Polytree Models [2.4493299476776778]
ポリツリーであるグラフを効率的に学習するアルゴリズムを提案する。
提案手法は,まず無向木構造を学習するChow-Liuアルゴリズムと,エッジを指向する新しいスキームを組み合わせたものである。
論文 参考訳（メタデータ） (2022-08-13T18:20:10Z) - DAGs with No Curl: An Efficient DAG Structure Learning Approach [62.885572432958504]
近年のDAG構造学習は連続的な非巡回性制約を伴う制約付き連続最適化問題として定式化されている。
本稿では,DAG空間の重み付き隣接行列を直接モデル化し,学習するための新しい学習フレームワークを提案する。
本手法は, 線形および一般化された構造方程式モデルにおいて, ベースラインDAG構造学習法よりも精度が高いが, 効率がよいことを示す。
論文 参考訳（メタデータ） (2021-06-14T07:11:36Z) - Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。
情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。
一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
論文 参考訳（メタデータ） (2021-03-17T16:22:24Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z) - Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。
特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。
我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
論文 参考訳（メタデータ） (2020-01-31T09:23:52Z)
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。