論文の概要: Spectral bandits

• arxiv url: http://arxiv.org/abs/2604.25272v1
• Date: Tue, 28 Apr 2026 06:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.735481
• Title: Spectral bandits
• Title（参考訳）: スペクトルバンド
• Authors: Tomáš Kocák, Rémi Munos, Branislav Kveton, Shipra Agrawal, Michal Valko,
• Abstract要約: グラフ上でアームの支払いがスムーズな帯域幅問題について検討する。 このフレームワークは、コンテンツベースのレコメンデーションなど、グラフを含むオンライン学習問題の解決に適している。
• 参考スコア（独自算出の注目度）: 39.534255812216784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smooth functions on graphs have wide applications in manifold and semi-supervised learning. In this work, we study a bandit problem where the payoffs of arms are smooth on a graph. This framework is suitable for solving online learning problems that involve graphs, such as content-based recommendation. In this problem, each item we can recommend is a node of an undirected graph and its expected rating is similar to the one of its neighbors. The goal is to recommend items that have high expected ratings. We aim for the algorithms where the cumulative regret with respect to the optimal policy would not scale poorly with the number of nodes. In particular, we introduce the notion of an effective dimension, which is small in real-world graphs, and propose three algorithms for solving our problem that scale linearly and sublinearly in this dimension. Our experiments on content recommendation problem show that a good estimator of user preferences for thousands of items can be learned from just tens of node evaluations.
• Abstract（参考訳）: グラフ上の滑らか関数は、多様体および半教師付き学習において幅広い応用を持つ。 本研究では,腕の支払いがスムーズなバンディット問題をグラフ上で検討する。 このフレームワークは、コンテンツベースのレコメンデーションなど、グラフを含むオンライン学習問題の解決に適している。 この問題では、推奨できる各項目は、無向グラフのノードであり、その期待される評価は、その隣人のノードと似ている。 目標は、高い評価のアイテムを推奨することです。 最適なポリシに対する累積的後悔がノード数に悪影響を及ぼさないアルゴリズムを提案する。 特に、実世界のグラフでは小さい有効次元の概念を導入し、この次元で線形に、サブ線形にスケールする問題を解くための3つのアルゴリズムを提案する。 コンテントレコメンデーション問題に対する実験により,数千項目のユーザ嗜好の優れた推定法が,ほんの数個のノード評価から学習できることが示唆された。

関連論文リスト

• Spectral bandits for smooth graph functions [41.230043580577174]
  グラフ上でアームの支払いがスムーズな帯域幅問題について検討する。 このフレームワークは、コンテンツベースのレコメンデーションなど、グラフを含むオンライン学習問題の解決に適している。
  論文  参考訳（メタデータ） (2026-04-20T15:39:22Z)
• Are All Edges Necessary? A Unified Framework for Graph Purification [6.795209119198288]
  グラフのすべてのエッジが機械学習モデルのトレーニングに必要ではない。 本稿では,新たな視点からグラフデータを浄化するために,エッジをドロップする手法を提案する。
  論文  参考訳（メタデータ） (2022-11-09T20:28:25Z)
• Graph Sanitation with Application to Node Classification [41.311131936203715]
  質問に答えるために,グラフ衛生問題を導入する。 マイニングモデルの入力の一部として、より良いグラフを学習することで、さまざまな環境でグラフマイニングの恩恵が期待できる。 特に、既存の堅牢なグラフニューラルネットワーク手法よりも25%パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2021-05-19T20:22:15Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Evaluating Node Embeddings of Complex Networks [0.0]
  agood embeddedはグラフトポロジー、ノード間関係、およびグラフに関する他の関連情報をキャプチャする。 主な課題は、埋め込みがグラフの特性をうまく記述することを保証する必要があることである。 実世界のネットワーク上でも人工的に生成されたものでも、選択したグラフ埋め込みアルゴリズムを用いて一連の実験を行う。
  論文  参考訳（メタデータ） (2021-02-16T16:55:29Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Grale: Designing Networks for Graph Learning [68.23038997141381]
  我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。 グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
  論文  参考訳（メタデータ） (2020-07-23T13:25:36Z)
• Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
  我々は高密度サブグラフ発見のための新しい学習問題を導入する。 まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。 そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-06-24T11:37:33Z)

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。