Fugu-MT 論文翻訳(概要): Evaluating Parameter Transfer in FALQON Across Graph Families

論文の概要: Evaluating Parameter Transfer in FALQON Across Graph Families

arxiv url: http://arxiv.org/abs/2605.29917v1
Date: Thu, 28 May 2026 13:31:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-30 02:45:56.35102
Title: Evaluating Parameter Transfer in FALQON Across Graph Families
Title（参考訳）: グラフファミリ間のFALQONパラメータ移動の評価
Authors: Alisson dos Passos Fumaco, Marcos Vinicius Reballo, Fernando Augusto Caletti de Barros, Gabriel Fernandes Thomaz, Eduardo I. Duzzioni,
Abstract要約: 転送成功は、ドナーではなく、受信者グラフによって決定されることを示す。パフォーマンスはドナーサイズに対して非常に回復力があり、8ノードドナーはより大きなインスタンスにマッチする。
参考スコア（独自算出の注目度）: 35.18016233072556
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We evaluate FALQON parameter transfer for Max-Cut, transferring sequences from small donors ($n \in \{8,10,12\}$) to 14-node recipients. Using 3-regular and Erdős-Rényi families, we show that transfer success is dictated by the recipient graph, not the donor. Transfer excels for dense recipients -- achieving high approximation ratios regardless of the donor -- but remains challenging in sparse cross-family cases. Crucially, performance is highly resilient to donor size, with 8-node donors matching larger instances. Thus, cheap small graphs can provide robust parameters for larger targets, significantly reducing the measurement overhead of the feedback loop.
Abstract（参考訳）: 我々は、FALQONパラメータ転送をMax-Cutに対して評価し、小さなドナー(n \in \{8,10,12\}$)から14ノードの受信者へシーケンスを転送する。 3-正則およびエルデシュ=レーニ族を用いて、転送成功はドナーではなく、受信者グラフによって決定されることを示す。ドナーによらず高い近似比を達成している密接な受給者への転送は抜本的だが、家族間の疎通のケースでは依然として困難だ。重要な点として、パフォーマンスはドナーサイズに対して非常に回復力があり、8ノードドナーはより大きなインスタンスにマッチする。したがって、安価な小さなグラフはより大きな目標に対して堅牢なパラメータを提供することができ、フィードバックループの測定オーバーヘッドを著しく低減することができる。

関連論文リスト

Second-Order FALQON Parameter Transfer for the Max-Cut Problem on 3-Regular Graphs [0.0]
本稿では3つの正則グラフ上のマックス・クート問題に適用された2階FALQONのパラメータ転送可能性について検討する。小さいインスタンスに最適化されたフィードバックパラメータをより大きなターゲットグラフに転送すると、近似比が大幅に高くなる。
論文参考訳（メタデータ） (2026-05-05T19:38:46Z)
Rethinking Attention Output Projection: Structured Hadamard Transforms for Efficient Transformers [0.0]
マルチヘッドアテンションにおける高密度出力プロジェクションをパラメータフリーのWalsh Hadamard変換に置き換えることを提案する。異なるモデルサイズにわたって、この構造的置換は、下流タスクのパフォーマンスが同等またはわずかに優れていることを実証する。本研究では, 構造化アダマールモデルを用いて, FLOPと比較して高い検証損失曲線を示し, トレーニング中の計算利用がより良好であることが示唆された。
論文参考訳（メタデータ） (2026-03-09T13:05:08Z)
AGFormer: Efficient Graph Representation with Anchor-Graph Transformer [95.1825252182316]
Anchor Graph Transformer (AGFormer) と呼ばれる新しいグラフトランスアーキテクチャを提案する。 AGFormerはまずいくつかの代表アンカーを取得し、次にノード間メッセージパッシングをアンカー間メッセージパッシングプロセスとアンカー間メッセージパッシングプロセスに変換する。いくつかのベンチマークデータセットに対する大規模な実験は、提案されたAGFormerの有効性とメリットを示している。
論文参考訳（メタデータ） (2023-05-12T14:35:42Z)
Graph Neural Network Bandits [89.31889875864599]
グラフ構造データ上で定義された報酬関数を用いた帯域最適化問題を考察する。この設定の主な課題は、大きなドメインへのスケーリングと、多くのノードを持つグラフへのスケーリングである。グラフニューラルネットワーク(GNN)を用いて報酬関数を推定できることを示す。
論文参考訳（メタデータ） (2022-07-13T18:12:36Z)
Matching Algorithms for Blood Donation [39.479192127922104]
我々は、Facebookの献血ツールを用いて、献血の機会を持つ献血者の大規模なアルゴリズムマッチングを行う。我々は、オンラインマッチングモデルに基づいて、患者とドナーをマッチングするための自動ポリシーを開発する。最初の発見は、ドナー行動に関する医学・社会科学文献におけるいくつかの観察と一致した。
論文参考訳（メタデータ） (2021-08-10T18:27:18Z)
GNNAutoScale: Scalable and Expressive Graph Neural Networks via Historical Embeddings [51.82434518719011]
GNNAutoScale(GAS)は、任意のメッセージパスGNNを大規模グラフにスケールするためのフレームワークである。ガスは、前回のトレーニングの繰り返しから過去の埋め込みを利用して計算グラフのサブツリー全体を掘り起こします。ガスは大規模グラフ上で最先端のパフォーマンスに達する。
論文参考訳（メタデータ） (2021-06-10T09:26:56Z)
Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
論文参考訳（メタデータ） (2021-01-28T01:33:21Z)
Reliable Graph Neural Networks via Robust Aggregation [1.7188280334580197]
グラフ構造を標的とした摂動はグラフニューラルネットワーク(GNN)の性能低下に極めて有効であることが証明されている。敵の訓練のような伝統的な防御は、堅牢性を改善することができないように思われる。この研究は、対向的に注入されたエッジが、ノードの近傍集約関数に追加のサンプルとして、効果的に見ることができるという観察によって動機付けられている。
論文参考訳（メタデータ） (2020-10-29T14:55:20Z)
Graph Convolutional Neural Networks with Node Transition Probability-based Message Passing and DropNode Regularization [32.260055351563324]
最近、グラフ構造化データを扱う能力のため、グラフ畳み込みニューラルネットワーク(GCNN)が注目されている。本研究は,ノード遷移確率に基づくメッセージパッシングプロセスを改善するための新しい手法を提案する。また,DropNodeと呼ばれる新しい正規化手法を提案する。
論文参考訳（メタデータ） (2020-08-28T10:51:03Z)
Your GAN is Secretly an Energy-based Model and You Should use Discriminator Driven Latent Sampling [106.68533003806276]
本研究では,潜時空間におけるサンプリングは,潜時空間の前対数密度と判別器出力スコアの和によって誘導されるエネルギーベースモデルに従って,潜時空間におけるサンプリングを行うことによって達成できることを示す。判別器駆動潜時サンプリング(DDLS)は,高次元画素空間で動作する従来の手法と比較して,高効率であることを示す。
論文参考訳（メタデータ） (2020-03-12T23:33:50Z)

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。