Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning for Minimum Zero-Forcing Sets

論文の概要: Deep Reinforcement Learning for Minimum Zero-Forcing Sets

arxiv url: http://arxiv.org/abs/2606.18106v1
Date: Tue, 16 Jun 2026 16:07:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-17 17:15:32.536224
Title: Deep Reinforcement Learning for Minimum Zero-Forcing Sets
Title（参考訳）: 最小零運動集合に対する深部強化学習
Authors: Steve Halley, Maurício Gruppi,
Abstract要約: 最小ゼロ強制セット問題は、ノードの初期セットの色がネットワーク全体に伝播するグラフカラー化問題である。最小零強制集合を見つけることはNPハードであることが示される。本稿では,S2V-DQNアーキテクチャを学習問題に適用する強化学習フレームワークSD-ZFSを提案する。
参考スコア（独自算出の注目度）: 3.2228025627337864
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper explores the problem of finding the minimum zero-forcing set on undirected graphs and proposes an adapted machine-learning framework to solve the problem. The minimum zero-forcing set problem is a graph coloring problem where the color of an initial set of nodes propagates throughout a network. The set of nodes is zero-forcing if it forces all uncolored nodes to change color under the constraint of the color-change rule. There are several applications to this problem across different domains such as network science, network control, and designing logical circuits. Finding the minimum zero-forcing set is shown to be NP-hard. We propose a reinforcement learning framework, SD-ZFS, that adapts the S2V-DQN architecture to the ZFS problem. We train several models on this adapted framework and analyze the performance across graph datasets that have varying structures. We evaluate how the models trained on the framework generalize, scale, and transfer to different network types. The results demonstrate the effectiveness of the framework when compared against the optimal solution and greedy heuristic. We provide further insight into how the ZFS problem can be solved through machine-learning and the influence of network structure on the problem.
Abstract（参考訳）: 本稿では,無向グラフ上の最小ゼロ強制集合を求める問題について検討し,その問題を解決するための適応型機械学習フレームワークを提案する。最小ゼロ強制セット問題は、ノードの初期セットの色がネットワーク全体に伝播するグラフカラー化問題である。ノードの集合は、色変化規則の制約の下ですべての無色ノードに色変更を強いる場合、ゼロ強制である。この問題には、ネットワーク科学、ネットワーク制御、論理回路の設計など、さまざまな分野にまたがるいくつかの応用がある。最小零強制集合を見つけることはNPハードであることが示される。本稿では、S2V-DQNアーキテクチャをZFS問題に適用する強化学習フレームワークSD-ZFSを提案する。このフレームワークでいくつかのモデルをトレーニングし、さまざまな構造を持つグラフデータセットのパフォーマンスを分析します。フレームワーク上でトレーニングされたモデルが、異なるネットワークタイプに一般化、スケール、転送する方法について評価する。その結果、最適解と強欲なヒューリスティックと比較した場合、フレームワークの有効性が示された。本稿では,ZFS問題がどのように機械学習によって解決され,ネットワーク構造が問題に与える影響について考察する。

関連論文リスト

Robustness Verification of Graph Neural Networks Via Lightweight Satisfiability Testing [1.9754011041953694]
グラフニューラルネットワーク(GNN)は、グラフを学習するための主要なアーキテクチャである。本稿では,GNNのバリエーションとデータセットの多種多様なセットについて,RobLightツールの評価を行う。
論文参考訳（メタデータ） (2025-10-21T12:45:51Z)
Unified Graph Networks (UGN): A Deep Neural Framework for Solving Graph Problems [0.5699788926464752]
グラフ問題を解くために,emphUnified emphGraph emphNetwork (UGN) という新しいフレームワークを提案する。 UGNはグラフ畳み込みニューラルネットワーク(GCN)と2次元畳み込みニューラルネットワーク(Conv2D)に基づいている
論文参考訳（メタデータ） (2025-02-11T12:03:18Z)
LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
グラフクラスタリングは機械学習の基本的な問題である。近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
論文参考訳（メタデータ） (2024-05-20T05:46:41Z)
Minimize Control Inputs for Strong Structural Controllability Using Reinforcement Learning with Graph Neural Network [7.242974711907219]
我々は、強構造制御性(SSC)のグラフ理論条件に従って、マルコフ決定過程(MDP)としてグラフ着色過程を定式化する。我々は,MDPを最適化するために,グラフの色情報を表すダイレクトグラフニューラルネットワークを用いたアクタクリティカルな手法を用いる。入力ノードの数はネットワークの平均度によって決定され、入力ノードは低次ノードを選択して高次ノードを避ける傾向にある。
論文参考訳（メタデータ） (2024-02-26T11:18:53Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-05T10:46:11Z)
Graph Coloring with Physics-Inspired Graph Neural Networks [0.0]
正準グラフ着色問題の解法としてグラフニューラルネットワークを用いる方法を示す。マルチクラスノード分類問題としてグラフカラー化を行い,教師なし学習戦略を利用する。
論文参考訳（メタデータ） (2022-02-03T14:24:12Z)
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)
Learning by Fixing: Solving Math Word Problems with Weak Supervision [70.62896781438694]
数学用語問題(mwps)の従来のニューラルネットワークソルバは、完全な監視によって学習され、多様なソリューションを生み出すことができない。 MWPを学習するためのテキスト弱教師付きパラダイムを提案する。この手法は最終回答のアノテーションのみを必要とし、単一の問題に対して様々な解決策を生成できる。
論文参考訳（メタデータ） (2020-12-19T03:10:21Z)
Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文参考訳（メタデータ） (2020-11-26T14:43:04Z)
Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。