論文の概要: Learning Mean Field Control on Sparse Graphs
- arxiv url: http://arxiv.org/abs/2501.17079v1
- Date: Tue, 28 Jan 2025 17:03:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:42:00.646548
- Title: Learning Mean Field Control on Sparse Graphs
- Title(参考訳): スパースグラフを用いた平均場制御の学習
- Authors: Christian Fabian, Kai Cui, Heinz Koeppl,
- Abstract要約: 局所弱収束にインスパイアされた新しい平均場制御モデルを提案する。
理論的解析の他に、有限の第一モーメントを持つグラフ列の挑戦的なクラスに適用可能なスケーラブルな学習アルゴリズムを設計する。
その結果,本手法は,MARLの課題の解決が困難であるにもかかわらず,重要な設計上,多くの事例や様々なネットワークにおいて,既存の手法よりも優れていることがわかった。
- 参考スコア(独自算出の注目度): 28.313779052437134
- License:
- Abstract: Large agent networks are abundant in applications and nature and pose difficult challenges in the field of multi-agent reinforcement learning (MARL) due to their computational and theoretical complexity. While graphon mean field games and their extensions provide efficient learning algorithms for dense and moderately sparse agent networks, the case of realistic sparser graphs remains largely unsolved. Thus, we propose a novel mean field control model inspired by local weak convergence to include sparse graphs such as power law networks with coefficients above two. Besides a theoretical analysis, we design scalable learning algorithms which apply to the challenging class of graph sequences with finite first moment. We compare our model and algorithms for various examples on synthetic and real world networks with mean field algorithms based on Lp graphons and graphexes. As it turns out, our approach outperforms existing methods in many examples and on various networks due to the special design aiming at an important, but so far hard to solve class of MARL problems.
- Abstract(参考訳): 大規模エージェントネットワークは応用と性質に富み、計算と理論の複雑さのためにマルチエージェント強化学習(MARL)の分野で難しい課題を提起する。
グラノン平均場ゲームとその拡張は、密で適度にスパースなエージェントネットワークのための効率的な学習アルゴリズムを提供するが、現実的なスパーサーグラフの場合、ほとんど解決されていない。
そこで本研究では,局所弱収束にインスパイアされた新しい平均場制御モデルを提案する。
理論的解析の他に、有限の第一モーメントを持つグラフ列の挑戦的なクラスに適用可能なスケーラブルな学習アルゴリズムを設計する。
我々は,Lpグラフとグラフを用いた平均場アルゴリズムを用いて,合成および実世界のネットワークにおける様々な例について,モデルとアルゴリズムを比較した。
その結果,本手法は,MARLの課題の解決が困難でありながら重要な設計上,多くの事例や様々なネットワークにおいて,既存の手法よりも優れていることがわかった。
関連論文リスト
- Unified Graph Networks (UGN): A Deep Neural Framework for Solving Graph Problems [0.5699788926464752]
グラフ問題を解くために,emphUnified emphGraph emphNetwork (UGN) という新しいフレームワークを提案する。
UGNはグラフ畳み込みニューラルネットワーク(GCN)と2次元畳み込みニューラルネットワーク(Conv2D)に基づいている
論文 参考訳(メタデータ) (2025-02-11T12:03:18Z) - Scalable and Accurate Graph Reasoning with LLM-based Multi-Agents [27.4884498301785]
GraphAgent-Reasonerは、明示的で正確なグラフ推論のための微調整不要なフレームワークである。
分散グラフ計算理論にインスパイアされた我々のフレームワークは、グラフ問題を複数のエージェント間で分散される小さなノード中心のタスクに分解する。
本フレームワークは,Webページ重要度分析などの実世界のグラフ推論アプリケーションを扱う能力を示す。
論文 参考訳(メタデータ) (2024-10-07T15:34:14Z) - Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。
本稿では,課題計画のためのグラフ学習に基づく手法について検討する。
我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
論文 参考訳(メタデータ) (2024-05-29T14:26:24Z) - Learning Mean Field Games on Sparse Graphs: A Hybrid Graphex Approach [31.82185019324094]
平均フィールドゲーム(MFG)は、エージェント間のネットワーク構造を含むように、Graphon MFG(GMFG)に拡張することができる。
本稿では,グラフ理論のグラフ理論的概念を基盤としたグラフ MFG の新たな概念を紹介する。
このハイブリッドグラフ学習アプローチは、システムが主に高連結コアとスパース周辺で構成されていることを生かしている。
論文 参考訳(メタデータ) (2024-01-23T11:52:00Z) - Learning Sparse Graphon Mean Field Games [26.405495663998828]
グラフィオン平均フィールドゲーム(GMFG)は、他の方法では難解なMARL問題のスケーラブルな解析を可能にする。
本稿では,グラフ理論的概念である$Lp$Graphons を利用する LPGMFGs という,GMFGs の新たな定式化を提案する。
これは、様々な応用領域で実証的に観測され、標準のグラモンでは捉えられないパワーローネットワークを含む。
論文 参考訳(メタデータ) (2022-09-08T15:35:42Z) - Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。
これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。
4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文 参考訳(メタデータ) (2022-05-31T10:38:04Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Deep Architecture Connectivity Matters for Its Convergence: A
Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。
接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文 参考訳(メタデータ) (2022-05-11T17:43:54Z) - SIGN: Scalable Inception Graph Neural Networks [4.5158585619109495]
本稿では,グラフサンプリングの必要性を助長する,効率的でスケーラブルなグラフ深層学習アーキテクチャを提案する。
私たちのアーキテクチャでは、異なるローカルグラフ演算子を使用して、そのタスクに最も適しています。
我々は,1億1000万のノードと15億のエッジを持つ,最大の公開グラフデータセットであるogbn-papers100Mについて,最先端の結果を得た。
論文 参考訳(メタデータ) (2020-04-23T14:46:10Z) - Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。
MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。
本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
論文 参考訳(メタデータ) (2020-01-29T23:34:36Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳(メタデータ) (2020-01-18T09:14:16Z)
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。