論文の概要: Stochastic Sequential Decision Making over Expanding Networks with Graph Filtering

• arxiv url: http://arxiv.org/abs/2603.19501v1
• Date: Thu, 19 Mar 2026 22:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.90427
• Title: Stochastic Sequential Decision Making over Expanding Networks with Graph Filtering
• Title（参考訳）: グラフフィルタリングによる拡張ネットワーク上の確率的逐次決定
• Authors: Zhan Gao, Bishwadeep Das, Elvin Isufi,
• Abstract要約: 本稿では,グラフの拡張に適応するポリシーを用いて,データフィルタリングのための逐次的意思決定フレームワークを提案する。 フィルタシフトをエージェントとして表現することにより、フィルタをマルチエージェントシステムとしてモデル化し、強化学習後のポリシーを訓練する。 そこで我々は,グラフとエージェントの情報に基づいてフィルタパラメータを調整し,ポリシーをパラメータ化するための文脈対応グラフニューラルネットワークを開発した。
• 参考スコア（独自算出の注目度）: 27.848118448059523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph filters leverage topological information to process networked data with existing methods mainly studying fixed graphs, ignoring that graphs often expand as nodes continually attach with an unknown pattern. The latter requires developing filter-based decision-making paradigms that take evolution and uncertainty into account. Existing approaches rely on either pre-designed filters or online learning, limited to a myopic view considering only past or present information. To account for future impacts, we propose a stochastic sequential decision-making framework for filtering networked data with a policy that adapts filtering to expanding graphs. By representing filter shifts as agents, we model the filter as a multi-agent system and train the policy following multi-agent reinforcement learning. This accounts for long-term rewards and captures expansion dynamics through sequential decision-making. Moreover, we develop a context-aware graph neural network to parameterize the policy, which tunes filter parameters based on information of both the graph and agents. Experiments on synthetic and real datasets from cold-start recommendation to COVID prediction highlight the benefits of using a sequential decision-making perspective over batch and online filtering alternatives.
• Abstract（参考訳）: グラフフィルタは、トポロジ情報を利用して、固定グラフを主に研究する既存の方法でネットワーク化されたデータを処理する。 後者は、進化と不確実性を考慮して、フィルタベースの意思決定パラダイムを開発する必要がある。 既存のアプローチは、事前に設計されたフィルターかオンライン学習のいずれかに依存しており、過去の情報や現在情報のみを考慮して、筋電図ビューに限られている。 今後の影響を考慮し,拡張グラフにフィルタリングを適用するポリシを用いて,ネットワークデータフィルタリングのための確率的逐次決定フレームワークを提案する。 フィルタシフトをエージェントとして表現することにより、フィルタをマルチエージェントシステムとしてモデル化し、マルチエージェント強化学習後のポリシーを訓練する。 これは長期的報酬を考慮し、シーケンシャルな意思決定を通じて拡張ダイナミクスをキャプチャする。 さらに,このポリシーをパラメータ化するための文脈対応グラフニューラルネットワークを開発し,グラフとエージェントの情報に基づいてフィルタパラメータをチューニングする。 コールドスタートレコメンデーションから新型コロナウイルスの予測まで、合成データセットと実際のデータセットの実験は、バッチとオンラインフィルタリングに代わるシーケンシャルな意思決定視点を使用することのメリットを強調している。

関連論文リスト

• Online Graph Filtering Over Expanding Graphs [14.594691605523005]
  オンライン学習の原則に依存するオンライングラフフィルタリングフレームワークを提案する。 このような進化に適応した学習者を含む、トポロジが知られ、未知のシナリオのためのフィルタを設計する。 我々は,オンラインアルゴリズムやフィルタ順序,成長するグラフモデルなど,さまざまなコンポーネントが果たす役割を強調するために,後悔の意を表す分析を行う。
  論文  参考訳（メタデータ） (2024-09-11T11:50:16Z)
• Online Filtering over Expanding Graphs [14.84852576248587]
  本稿では,オンライン機械学習の原理に基づいて,フィルタのオンライン更新を提案する。 受信ノードにおける信号に対する手法の性能を示す。 これらの発見は、グラフの拡張よりも効率的なフィルタリングの基礎を築いた。
  論文  参考訳（メタデータ） (2023-01-17T14:07:52Z)
• Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
  グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。 グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。 本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
  論文  参考訳（メタデータ） (2022-11-16T11:56:45Z)
• Graph filtering over expanding graphs [14.84852576248587]
  本稿では,拡張グラフ上のデータに対するフィルタ学習手法を提案する。 正確なトポロジに依存するベースラインと比較して,ほぼ最適性能を示す。 これらの知見は、接続モデルのみに依存することにより、グラフの拡張よりも表現を学習するための基礎を築いた。
  論文  参考訳（メタデータ） (2022-03-15T16:50:54Z)
• Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
  我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。 グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。 ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-18T04:23:34Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)
• Filter Grafting for Deep Neural Networks [71.39169475500324]
  ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト 我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。 例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
  論文  参考訳（メタデータ） (2020-01-15T03:18:57Z)

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。