論文の概要: Tree-Based Stochastic Optimization for Solving Large-Scale Urban Network Security Games

• arxiv url: http://arxiv.org/abs/2511.10072v1
• Date: Fri, 14 Nov 2025 01:30:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.680236
• Title: Tree-Based Stochastic Optimization for Solving Large-Scale Urban Network Security Games
• Title（参考訳）: 大規模都市ネットワークセキュリティゲームのツリーベース確率最適化
• Authors: Shuxin Zhuang, Linjian Meng, Shuxin Li, Minming Li, Youzhi Zhang,
• Abstract要約: 都市ネットワークセキュリティゲーム(UNSG)は、都市道路ネットワーク上の限られたセキュリティリソースの戦略的割り当てをモデル化する。 大規模なUNSGにおけるナッシュ平衡(NE)の発見は、その大規模かつ活動的な空間のために困難である。 NEフィンディングとUNSGの要求のギャップを埋めるフレームワークであるTree-based Optimization (TSO)を紹介する。
• 参考スコア（独自算出の注目度）: 19.12896663564658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban Network Security Games (UNSGs), which model the strategic allocation of limited security resources on city road networks, are critical for urban safety. However, finding a Nash Equilibrium (NE) in large-scale UNSGs is challenging due to their massive and combinatorial action spaces. One common approach to addressing these games is the Policy-Space Response Oracle (PSRO) framework, which requires computing best responses (BR) at each iteration. However, precisely computing exact BRs is impractical in large-scale games, and employing reinforcement learning to approximate BRs inevitably introduces errors, which limits the overall effectiveness of the PSRO methods. Recent advancements in leveraging non-convex stochastic optimization to approximate an NE offer a promising alternative to the burdensome BR computation. However, utilizing existing stochastic optimization techniques with an unbiased loss function for UNSGs remains challenging because the action spaces are too vast to be effectively represented by neural networks. To address these issues, we introduce Tree-based Stochastic Optimization (TSO), a framework that bridges the gap between the stochastic optimization paradigm for NE-finding and the demands of UNSGs. Specifically, we employ the tree-based action representation that maps the whole action space onto a tree structure, addressing the challenge faced by neural networks in representing actions when the action space cannot be enumerated. We then incorporate this representation into the loss function and theoretically demonstrate its equivalence to the unbiased loss function. To further enhance the quality of the converged solution, we introduce a sample-and-prune mechanism that reduces the risk of being trapped in suboptimal local optima. Extensive experimental results indicate the superiority of TSO over other baseline algorithms in addressing the UNSGs.
• Abstract（参考訳）: 都市道路網における限られたセキュリティ資源の戦略的割り当てをモデル化する都市ネットワークセキュリティゲーム(UNSGs)は、都市安全にとって重要である。 しかし、大規模なUNSGにおけるナッシュ平衡(NE)の発見は、その大規模かつ組合せ的な行動空間のために困難である。 これらのゲームに対処する一般的なアプローチの1つはポリシー・スペース・レスポンス・オラクル(PSRO)フレームワークである。 しかし、正確なBRを正確に計算することは大規模ゲームでは不可能であり、PSRO法の全体的な有効性を制限したエラーを必然的に導入するために強化学習を用いる。 NEを近似するために非凸確率最適化を利用する最近の進歩は、負担の多いBR計算に代わる有望な代替手段を提供する。 しかし、既存の確率的最適化手法とUNSGの非バイアス損失関数の利用は、アクション空間が大きすぎるため、ニューラルネットワークによって効果的に表現できないため、依然として困難である。 NEフィンディングの確率最適化パラダイムとUNSGの要求とのギャップを埋めるフレームワークであるTree-based Stochastic Optimization (TSO)を導入する。 具体的には、アクション空間全体をツリー構造にマッピングするツリーベースのアクション表現を用い、アクション空間を列挙できない場合のアクションを表現するニューラルネットワークが直面する課題に対処する。 次に、この表現を損失関数に組み込んで、その非バイアス損失関数に対する同値性を理論的に証明する。 収束した溶液の品質をさらに高めるため,最適な局所最適点に閉じ込められるリスクを低減するためのサンプル・アンド・プルー機構を導入する。 大規模な実験結果から、UNSGに対処する際、他のベースラインアルゴリズムよりもTSOの方が優れていることが示唆された。

関連論文リスト

• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Nonconvex Stochastic Bregman Proximal Gradient Method with Application to Deep Learning [9.202586157819693]
  非合成対象函数のロバスト性を最小化する二次法は、典型的には微分可能部分のリプシッツ滑らか性に依存する。 本稿では適応性のみを考慮したBregman(SBPG)手法のファミリーを提案する。 MSBPGは運動量に基づく変種であり、ミニバッチサイズ要求を緩和することで収束感度を高める。
  論文  参考訳（メタデータ） (2023-06-26T08:54:46Z)
• Simulation-guided Beam Search for Neural Combinatorial Optimization [13.072343634530883]
  ニューラル最適化問題に対するシミュレーション誘導ビームサーチ(SGBS)を提案する。 我々は、SGBSと効率的なアクティブサーチ(EAS)を併用し、SGBSはEASでバックプロパゲーションされたソリューションの品質を高める。 提案手法をよく知られたCOベンチマークで評価し,SGBSが合理的な仮定で得られた解の質を著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-07-13T13:34:35Z)
• Learning Representation for Bayesian Optimization with Collision-free Regularization [13.476552258272402]
  大規模、高次元、非定常的なデータセットは現実世界のシナリオでは一般的である。 最近の研究は、古典的なガウス過程に先立ってニューラルネットワークを適用して潜在表現を学習することで、そのような入力を処理しようとしている。 適切なネットワーク設計であっても、そのような学習された表現は、しばしば潜在空間における衝突を引き起こすことを示す。 本稿では,学習された潜伏空間における衝突を低減するために,新しい正則化器を用いた効率的な深度ベイズ最適化フレームワークであるLOCoを提案する。
  論文  参考訳（メタデータ） (2022-03-16T14:44:16Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)

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。