論文の概要: Using Reinforcement Learning to Optimize the Global and Local Crossing Number

• arxiv url: http://arxiv.org/abs/2509.06108v1
• Date: Sun, 07 Sep 2025 15:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.861547
• Title: Using Reinforcement Learning to Optimize the Global and Local Crossing Number
• Title（参考訳）: 強化学習を用いた大域的・局所的交叉数最適化
• Authors: Timo Brand, Henry Förster, Stephen Kobourov, Robin Schukrafft, Markus Wallinger, Johannes Zink,
• Abstract要約: 本稿では,各辺の交点数と交点数の最大値である大域的および局所的交点数を最小化するための強化学習に基づくグラフ描画手法を提案する。
• 参考スコア（独自算出の注目度）: 2.1753067041165304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel approach to graph drawing based on reinforcement learning for minimizing the global and the local crossing number, that is, the total number of edge crossings and the maximum number of crossings on any edge, respectively. In our framework, an agent learns how to move a vertex based on a given observation vector in order to optimize its position. The agent receives feedback in the form of local reward signals tied to crossing reduction. To generate an initial layout, we use a stress-based graph-drawing algorithm. We compare our method against force- and stress-based (baseline) algorithms as well as three established algorithms for global crossing minimization on a suite of benchmark graphs. The experiments show mixed results: our current algorithm is mainly competitive for the local crossing number. We see a potential for further development of the approach in the future.
• Abstract（参考訳）: 本稿では,各辺の交点数と交点数の最大値である大域的および局所的交点数を最小化するための強化学習に基づくグラフ描画手法を提案する。 本フレームワークでは,与えられた観測ベクトルに基づいて頂点の動きを学習し,その位置を最適化する。 エージェントは、交差低減に結びついた局所報酬信号の形式でフィードバックを受け取る。 初期レイアウトを生成するために,ストレスに基づくグラフ描画アルゴリズムを用いる。 ベンチマークグラフの集合上でのグローバル交差最小化のための3つの確立されたアルゴリズムと、力および応力に基づく(ベースライン)アルゴリズムを比較した。 実験の結果は多種多様であり、我々の現在のアルゴリズムは主に局所交差数と競合する。 将来的には、このアプローチをさらに発展させる可能性があると考えています。

関連論文リスト

• Fast Geometric Embedding for Node Influence Maximization [49.84018914962972]
  低次元空間にグラフを埋め込む効率的な力配置アルゴリズムを導入する。 アプリケーションとして、提案した埋め込みにより、ネットワーク内の高影響ノードを見つけることができ、標準のgreedyアルゴリズムの高速でスケーラブルな代替手段を提供することがわかった。
  論文  参考訳（メタデータ） (2025-06-09T05:21:56Z)
• Graph-Dependent Regret Bounds in Multi-Armed Bandits with Interference [18.101059380671582]
  ネットワーク干渉下でのマルチアームバンディットについて検討する。 これにより指数的に大きな作用空間が生じる。 本稿では,局所グラフ構造を用いて後悔を最小限に抑える新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-10T17:25:24Z)
• Graph Convolutional Branch and Bound [1.8966938152549224]
  本稿では、ニューラルネットワークを用いて情報量(特に最適性スコア)を学習し、最適解の近さを推定する。 このスコアは、ブランチとバウンドのフレームワーク内のノードを評価するために使用され、ソリューション空間をより効率的にすることができる。
  論文  参考訳（メタデータ） (2024-06-05T09:42:43Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Multi-Robot Active Mapping via Neural Bipartite Graph Matching [49.72892929603187]
  本稿では,最小時間ステップにおけるシーンマップ構築の完全化を目的としたマルチロボットアクティブマッピングの問題点について検討する。 この問題の鍵は、より効率的なロボットの動きを可能にするゴール位置推定にある。 本稿では,ニューラルコマッピング(NeuralCoMapping)という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-30T14:03:17Z)

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。