論文の概要: Robust Optimization Approach and Learning Based Hide-and-Seek Game for Resilient Network Design

• arxiv url: http://arxiv.org/abs/2602.11854v1
• Date: Thu, 12 Feb 2026 11:48:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.794055
• Title: Robust Optimization Approach and Learning Based Hide-and-Seek Game for Resilient Network Design
• Title（参考訳）: レジリエントネットワーク設計のためのロバスト最適化手法と学習に基づくHyd-and-Seekゲーム
• Abstract要約: 本研究では、信号が許容しきい値以下になる前に、信号が限られた距離までしか転送できない、レジリエントで信頼性の高い通信ネットワークの設計について検討する。 過度な信号劣化が発生した場合、選択されたネットワークノードにインストールされた再生器を通して再生する必要がある。
• 参考スコア（独自算出の注目度）: 10.37026246853005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the design of resilient and reliable communication networks in which a signal can be transferred only up to a limited distance before its quality falls below an acceptable threshold. When excessive signal degradation occurs, regeneration is required through regenerators installed at selected network nodes. In this work, both network links and nodes are subject to uncertainty. The installation costs of regenerators are modeled using a budgeted uncertainty set. In addition, link lengths follow a dynamic budgeted uncertainty set introduced in this paper, where deviations may vary over time. Robust optimization seeks solutions whose performance is guaranteed under all scenarios represented by the underlying uncertainty set. Accordingly, the objective is to identify a minimum-cost subset of nodes for regenerator deployment that ensures full network connectivity, even under the worst possible realizations of uncertainty. To solve the problem, we first formulate it within a robust optimization framework, and then develop scalable solution methods based on column-and-constraint generation, Benders decomposition, and iterative robust optimization. In addition, we formulate a learning-based hide-and-seek game to further analyze the problem structure. The proposed approaches are evaluated against classical static budgeted robust models and deterministic worst-case formulations. Both theoretical analysis and computational results demonstrate the effectiveness and advantages of our methodology.
• Abstract（参考訳）: 本研究では、信号が許容しきい値以下になる前に、信号が限られた距離までしか転送できない、レジリエントで信頼性の高い通信ネットワークの設計について検討する。 過度な信号劣化が発生した場合、選択されたネットワークノードにインストールされた再生器を介して再生する必要がある。 この作業では、ネットワークリンクとノードの両方が不確実性にさらされる。 再生器の設置コストは予算の不確実性セットを用いてモデル化される。 さらに、リンク長は、時間とともにずれが変化する可能性のある、動的に予算化された不確実性セットに従っている。 ロバスト最適化は、基礎となる不確実性集合で表されるすべてのシナリオで性能が保証される解を求める。 したがって、最も最悪の不確実性を実現した場合でも、完全なネットワーク接続を保証するため、再生器配置のための最小コストのノードのサブセットを特定することが目的である。 この問題を解決するために、まずロバストな最適化フレームワークで定式化し、次にカラム・アンド・制約生成、ベンダーの分解、反復的なロバストな最適化に基づくスケーラブルな解法を開発する。 さらに,学習をベースとしたHyd-and-seekゲームを定式化し,問題構造を解析する。 提案手法は,古典的静的予算モデルと決定論的最悪の場合の定式化に対して評価される。 理論的解析と計算結果の両方が、我々の方法論の有効性と利点を示している。

関連論文リスト

• EntroRouter: Learning Efficient Model Routing via Entropy Regulation [45.88530258803968]
  エントロピー制御を主目的とする単一ラウンドルーティングフレームワークを提案する。 我々はEntroが最強の専門家の精度の98.3%を維持し、計算コストを48.25%削減していることを示した。
  論文  参考訳（メタデータ） (2026-06-28T14:39:06Z)
• Generative Robust Optimisation [4.038424288747438]
  本稿では,ニューラルネットワークデコーダのイメージとして不確実性セットを定義する枠組みを提案する。 このフレームワークを,ガウス混合モデル誘導学習を用いたWasserstein Adrial Autoencoderを用いて,潜在正則性と制約整合性正規化を実現する。
  論文  参考訳（メタデータ） (2026-06-21T14:50:40Z)
• Position Paper: Post-Solve Robustness in Decision Engines: Feasible Regions and Smoothness Under Perturbations [0.913755431537592]
  Mixed-Integer Linear Programming (MILP)決定エンジンは、高スループット産業システムのための名目上最適な計画を定期的に出力する。 デプロイメントは解決時間の仮定とほとんど一致しない。 コスト、要求、資源の可用性の小さな摂動は、実現可能性の無効化や、質的に異なるソリューションへの不連続なシフトを引き起こす可能性がある。
  論文  参考訳（メタデータ） (2026-03-25T03:34:11Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
  Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。 データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。 既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。 本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T10:00:39Z)
• Optimal Depth of Neural Networks [2.1756081703276]
  本稿では,ニューラルネットワークの最適深さの決定に対処する公式な理論的枠組みを提案する。 我々は、シーケンシャルな決定プロセスとして、隠蔽表現の層間進化をモデル化する。 本稿では,ネットワークが効率よく早期終了可能な表現を学習することを奨励する,新規で実用的な正規化用語である$mathcalL_rm depth$を提案する。
  論文  参考訳（メタデータ） (2025-06-20T09:26:01Z)
• Enhancing Electricity-System Resilience with Adaptive Robust Optimization and Conformal Uncertainty Characterization [9.548196821052715]
  極度の天候は電気系統を緊張させており、反応の限界を露呈している。 本稿では, 確率的行動, 対角的破壊, 反応を統合した三段階最適化モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-16T18:43:31Z)
• Adaptive Anomaly Detection in Network Flows with Low-Rank Tensor Decompositions and Deep Unrolling [4.944495309580902]
  異常検出(AD)は、将来の通信システムのレジリエンスを確保するための重要な要素として、ますます認識されている。 この研究は、不完全測定を用いたネットワークフローにおけるADについて考察する。 本稿では,正規化モデル適合性に基づくブロック帰属凸近似アルゴリズムを提案する。 ベイズ的アプローチに触発されて、我々はモデルアーキテクチャを拡張し、フローごとのオンライン適応とステップごとの統計処理を行う。
  論文  参考訳（メタデータ） (2024-09-17T19:59:57Z)
• Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
  モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。 本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T09:13:11Z)
• Tight Certified Robustness via Min-Max Representations of ReLU Neural Networks [9.771011198361865]
  制御システムにニューラルネットワークを確実に配置するには、厳格な堅牢性を保証する必要がある。 本稿では,ReLUニューラルネットワークの凸表現に対する強靭性証明を得る。
  論文  参考訳（メタデータ） (2023-10-07T21:07:45Z)
• Neural Quantile Optimization for Edge-Cloud Networking [13.509945075582447]
  我々は,バースト可能な請求書に基づいて制約を満足し,コストを最小化するエッジ・クラウド・コンピューティング・ネットワークにおいて,最適なトラフィック割当方式を模索する。 本稿では,教師なし学習による最適化問題を解決するため,Gumbel-softmaxサンプリングネットワークを提案する。 トレーニングされたネットワークは、効率的なトラフィック割当スキームサンプリングとして機能し、実現可能性およびコスト関数値のランダム戦略を著しく上回る。
  論文  参考訳（メタデータ） (2023-07-11T11:05:10Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• A general framework for defining and optimizing robustness [74.67016173858497]
  分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。 我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。 我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-19T13:24:20Z)

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。