論文の概要: A Gated Graph Neural Network Approach to Fast-Convergent Dynamic Average Estimation
- arxiv url: http://arxiv.org/abs/2606.20955v1
- Date: Thu, 18 Jun 2026 21:39:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 11:38:04.95677
- Title: A Gated Graph Neural Network Approach to Fast-Convergent Dynamic Average Estimation
- Title（参考訳）: グラフニューラルネットワークによる高速収束動的平均推定
- Authors: Antonio Marino, Claudio Pacchierotti, Paolo Robuffo Giordano,
- Abstract要約: 本稿では,GGNN(Gated Graph Neural Networks)を用いた高速収束動的平均推定手法を提案する。
提案手法は, GGNNの固有構造を利用して, 推定過程を分散自己回帰器としてモデル化する。
本手法は,収束速度と精度の両方の観点から,従来のモデルに基づく推定値よりも優れていた。
- 参考スコア（独自算出の注目度）: 12.229462448839369
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dynamic average estimation is a critical problem in multi-agent systems, enabling agents to collaboratively estimate time-varying signals using only local information exchange. Traditional model-based approaches often face challenges related to convergence speed and sensitivity to network topology changes. This paper introduces a novel learning-based solution leveraging Gated Graph Neural Networks (GGNNs) for fast-convergent dynamic average estimation in a fully distributed manner. Taking advantage of the inherent structure of GGNNs, the proposed method models the estimation process as a distributed autoregressor, ensuring rapid convergence while maintaining stability. We incorporate a regularization term during training to enforce convergence guarantees and introduce an encoding-decoding mechanism to reduce communication overhead without sacrificing accuracy compared to standard GGNNs. Extensive numerical experiments demonstrate that our approach significantly outperforms conventional model-based estimators in terms of both convergence speed and precision, making it a promising alternative for multi-agent applications that require dynamic average estimation.
- Abstract（参考訳）: 動的平均推定はマルチエージェントシステムにおいて重要な問題であり、エージェントはローカル情報交換のみを使用して時間変化信号を協調的に推定することができる。
従来のモデルに基づくアプローチは、収束速度とネットワークトポロジーの変化に対する感度に関する課題に直面することが多い。
本稿では, Gated Graph Neural Networks (GGNN) を利用した, 高速収束型動的平均推定手法を提案する。
提案手法は,GGNNの固有構造を利用して分散自己回帰器として推定過程をモデル化し,安定性を保ちながら迅速な収束を確保する。
トレーニング中に正規化項を組み込んで収束保証を強制し、標準GGNNと比較して精度を犠牲にすることなく通信オーバーヘッドを削減するエンコーディング・デコーディング機構を導入する。
大規模な数値実験により,本手法は収束速度と精度の両面で従来のモデルベース推定器よりも大幅に優れており,動的平均推定を必要とするマルチエージェントアプリケーションにとって有望な代替手段であることが示された。
関連論文リスト
- Timestamp-Aware Spatio-Temporal Graph Contrastive Learning for Network Intrusion Detection [12.117106433382437]
本稿では、侵入検知システムのための新しい自己教師付きグラフニューラルネットワーク(GNN)フレームワークを提案する。
提案モデルは,表現学習に忠実な時間的依存関係を提供する実時間スタンプを明示的に活用する。
提案手法は,既存の自己教師付きアプローチを著しく上回り,教師付きGNN手法に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2026-06-15T04:45:41Z) - Direct Interval Propagation Methods using Neural-Network Surrogates for Uncertainty Quantification in Physical Systems Surrogate Model [8.373469792572356]
工学では、不確実性伝播は不確実な入力の下でシステム出力を特徴づけることを目的としている。
標準区間伝搬は、複雑なシステムに計算コストがかかる最適化問題の解法に依存する。
出力境界を直接予測する区間値回帰問題として区間伝搬を再構成する。
論文 参考訳（メタデータ） (2026-03-22T16:25:43Z) - Local adapt-then-combine algorithms for distributed nonsmooth optimization: Achieving provable communication acceleration [50.67878993903822]
通信効率のよいAdapt-Then-Combine (ATC) フレームワークであるFlexATCを提案する。
ローカル更新がATCベースの分散アルゴリズムの通信高速化につながることを示すのはこれが初めてである。
論文 参考訳（メタデータ） (2026-02-18T02:47:05Z) - Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。
提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。
予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文 参考訳（メタデータ） (2024-12-24T03:56:25Z) - Average-Over-Time Spiking Neural Networks for Uncertainty Estimation in Regression [3.409728296852651]
本稿では,AOT-SNN(Average-Over-Time Spiking Neural Network)フレームワークを回帰タスクに適用する2つの手法を提案する。
おもちゃのデータセットといくつかのベンチマークデータセットの両方に対して、我々のアプローチを評価します。
論文 参考訳（メタデータ） (2024-11-29T23:13:52Z) - A Model-Constrained Discontinuous Galerkin Network (DGNet) for Compressible Euler Equations with Out-of-Distribution Generalization [0.0]
本稿では,モデル制約付き不連続なGalerkin Network (DGNet) アプローチを提案する。
DGNetの中核は、いくつかの重要な戦略のシナジーである。
1次元および2次元圧縮可能なオイラー方程式問題に対する包括的数値計算結果を提案する。
論文 参考訳（メタデータ） (2024-09-27T01:13:38Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳（メタデータ） (2022-04-01T03:31:27Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳（メタデータ） (2020-12-28T19:21:14Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳（メタデータ） (2020-06-07T07:06:35Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。