論文の概要: Graph Coloring Approach to Solving Sudoku with Oscillatory Neural Networks

• arxiv url: http://arxiv.org/abs/2607.15814v1
• Date: Fri, 17 Jul 2026 10:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.819339
• Title: Graph Coloring Approach to Solving Sudoku with Oscillatory Neural Networks
• Title（参考訳）: 振動ニューラルネットを用いたスドク解法におけるグラフカラー化手法
• Abstract要約: 我々は,この問題をグラフカラー化問題として定式化することで,よく知られた制約付き最適化問題であるスドゥークの解法を提案する。 約4倍の4倍の4倍の4倍の精度で、また9倍の9倍の9倍の9倍のスドクパズルで、未知の数字の異なる数字で、かなり高い精度で、ほぼ欠陥のない精度を達成できます。
• 参考スコア（独自算出の注目度）: 1.2315012216991832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Oscillatory Neural Networks (ONNs) present an attractive physics-based computing paradigm rooted in the dynamics of a network of typically fully coupled oscillators aiming to minimize an underlying energy function. In this paper, we propose an ONN-based solver for one well-known constrained combinatorial optimization problem, namely a Sudoku, by formulating the problem as a Graph Coloring problem. By modifying the already existing Graph Coloring solver to a computationally cheaper version and introducing an additional term ensuring the fulfillment of the Sudoku constraints, our solver is shown to significantly outperform the existing HNN- and ONN solvers in terms of accuracy. In particular, we are able to achieve nearly flawless accuracies on $4 \times 4$ as well as rather high accuracies on $9 \times 9$ Sudoku puzzles for different numbers of unknown digits.
• Abstract（参考訳）: 振動ニューラルネットワーク(ONN)は、基礎となるエネルギー関数を最小化することを目的とした、典型的には完全に結合された振動子のネットワークのダイナミクスに根ざした、魅力的な物理ベースの計算パラダイムを示す。 本稿では,この問題をグラフカラー化問題として定式化することで,よく知られた制約付き組合せ最適化問題であるスドゥークの解法を提案する。 既存のグラフカラーリングソルバを計算上より安価に修正し、スドク制約を満たすための追加用語を導入することにより、既存のHNN-およびONNソルバを精度的に大幅に上回ることを示す。 特に4ドル=4ドル、9ドル=9ドル=9ドル=未知の数字のパズルでは高いアキュラシーを達成できます。

関連論文リスト

• LinSATNet: The Positive Linear Satisfiability Neural Networks [116.65291739666303]
  本稿では,ニューラルネットワークに人気の高い正の線形満足度を導入する方法について検討する。 本稿では,古典的なシンクホーンアルゴリズムを拡張し,複数の辺分布の集合を共同で符号化する,最初の微分可能満足層を提案する。
  論文  参考訳（メタデータ） (2024-07-18T22:05:21Z)
• Bridging Logic and Learning: A Neural-Symbolic Approach for Enhanced Reasoning in Neural Models (ASPER) [0.13053649021965597]
  本稿では,学習推論タスクにおけるニューラルモデルの性能向上を目的としたアプローチを提案する。 これを実現するために、Answer Set Programmingソルバとドメイン固有の専門知識を統合する。 モデルは、トレーニングとテストのためにたった12のパズルを使用して、スドゥークパズルの解法を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2023-12-18T19:06:00Z)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• 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)
• Cracking nuts with a sledgehammer: when modern graph neural networks do worse than classical greedy algorithms [2.436681150766912]
  ほぼ線形時間で実行される単純なグリージーアルゴリズムは、GNNよりもはるかに優れた品質のMIS問題の解を見つけることができることを示す。 これらのGNNでMISを解く理由や、ハンマーを使ってナッツを割る理由がよく分からない。
  論文  参考訳（メタデータ） (2022-06-27T11:54:01Z)
• Graph Neural Networks for Propositional Model Counting [1.0152838128195467]
  グラフネットワーク(GNN)は最近、論理的推論タスクの解決に活用されている。 本稿では, 自覚的GNNによって拡張され, #SAT 問題を大まかに解くために訓練された, Kuch 等の信念伝播のための GNN フレームワークに基づくアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-09T17:03:13Z)
• Combinatorial Optimization with Physics-Inspired Graph Neural Networks [0.0]
  最適化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。 ニューラルネットワークは、既存の解法よりも優れているか、あるいは優れていることが分かりました。
  論文  参考訳（メタデータ） (2021-07-02T16:54:35Z)
• Very Deep Graph Neural Networks Via Noise Regularisation [57.450532911995516]
  グラフニューラルネットワーク(GNN)は、入力グラフを介して学習されたメッセージパッシングを実行する。 最大100のメッセージパッシングステップを持つディープGNNをトレーニングし、いくつかの最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-15T08:50:10Z)
• Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
  本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。 これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-07T15:05:59Z)
• dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
  ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。 我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
  論文  参考訳（メタデータ） (2021-03-15T19:14:41Z)

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。