論文の概要: AutoSND: From Execution Evidence to Structural Policies for Automated Network Dismantling Heuristic Discovery

• arxiv url: http://arxiv.org/abs/2608.03653v1
• Date: Tue, 04 Aug 2026 13:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.220868
• Title: AutoSND: From Execution Evidence to Structural Policies for Automated Network Dismantling Heuristic Discovery
• Title（参考訳）: AutoSND: 実行証拠から, ネットワーク分割によるヒューリスティック発見のための構造ポリシーへ
• Authors: Zhijing Hu, Changjun Fan, Yufan Deng, Zhiguang Cao,
• Abstract要約: AutoSNDは、完全なネットワーク分割のための3段階木探索フレームワークである。 12の実世界のネットワークと3つの大実世界のネットワークの実験により、AutoSNDはより優れた検索性能と安定性を実現することが示された。
• 参考スコア（独自算出の注目度）: 31.29731089495888
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Network dismantling is fundamental to analyzing the robustness and vulnerability of complex systems, yet practical heuristics must balance effectiveness and computational efficiency, and are usually designed manually by researchers. Existing large language model based automatic heuristic design methods can generate and screen candidates, yet they have difficulty further transforming candidate quality or failure states during execution into structural-level guid- ance for subsequent generation. We propose AutoSND, a three stage tree search framework for complete network dismantling pro- grams. Stage I broadly explores from simple heuristics and archives execution evidence. Stage II compiles candidate records into struc- tural policies concerning local signals, neighborhood access, and state update ranges. Stage III continues tree search conditioned on these policies and obtains the final quality prioritized and speed prioritized candidates, AutoSND-Q/S. Experiments on 12 real world networks and 3 large real world networks show that AutoSND achieves better search performance and stability and discovers more competitive and structurally interpretable network disman- tling programs. The final candidates form an interpretable structure that uses residual degree as the backbone, adjusts node order with bounded local signals, and restricts the state update range. Code is available at https://github.com/MirrorNew/AutoSND.
• Abstract（参考訳）: ネットワークの分解は複雑なシステムの堅牢性と脆弱性を分析するのに基本的であるが、実用的ヒューリスティックは効率性と計算効率のバランスをとる必要があり、通常は研究者によって手動で設計される。 既存の大規模言語モデルに基づく自動ヒューリスティック設計手法は、候補を生成して表示することができるが、実行中の候補の品質や障害状態を、その後の生成のために構造レベルのギルド・アンスに変換するのが困難である。 本稿では,3段階の木探索フレームワークであるAutoSNDを提案する。 ステージIは、単純なヒューリスティックから広く探求し、実行証拠をアーカイブする。 ステージIIは、ローカル信号、近隣アクセス、および状態更新範囲に関するストラクタルールポリシーに候補レコードをコンパイルする。 Stage IIIは、これらのポリシーに基づいてツリー検索を継続し、最終品質を優先し、優先順位付け候補であるAutoSND-Q/Sを高速化する。 12の実世界のネットワークと3つの大実世界のネットワークの実験により、AutoSNDはより優れた検索性能と安定性を実現し、より競争力があり、構造的に解釈可能なネットワークディスマントリングプログラムを発見した。 最終候補は、残次をバックボーンとして使用する解釈可能な構造を形成し、有界なローカル信号でノード順序を調整し、状態更新範囲を制限する。 コードはhttps://github.com/MirrorNew/AutoSND.comで入手できる。

関連論文リスト

• DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning [58.09293442211248]
  Deep Research(DR)は、複雑でオープンな研究課題に取り組むための新しいエージェントパラダイムとして登場した。 本稿では,Qianfan Agent Foundry上に構築されたマルチエージェントDRフレームワークであるDuMate-DeepResearchを紹介する。
  論文  参考訳（メタデータ） (2026-06-05T14:10:48Z)
• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• OTOv3: Automatic Architecture-Agnostic Neural Network Training and Compression from Structured Pruning to Erasing Operators [57.145175475579315]
  このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。 第3世代のOTOv3(Noth-Train-Once)を導入する。 我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-15T00:22:55Z)
• Automated Search-Space Generation Neural Architecture Search [45.902445271519596]
  ASGNASは1ショット方式で高性能サブネットワークを生成する。 ASGNASは人間の努力を最小限にするために3つの顕著な貢献をしている。 ライブラリはhttps://github.com/tianyic/tianyic/only_train_once.comでリリースされる。
  論文  参考訳（メタデータ） (2023-05-25T19:41:40Z)
• HARL: Hierarchical Adaptive Reinforcement Learning Based Auto Scheduler for Neural Networks [51.71682428015139]
  効率的なテンソルプログラム探索のための強化学習に基づく自動スケジューリングシステムであるHARLを提案する。 HarLは、最先端のオートスケジューラと比較して、テンソル演算子の性能を22%改善し、探索速度を4.3倍改善する。 また、エンドツーエンドのニューラルネットワークでは、推論性能と探索速度も大幅に向上する。
  論文  参考訳（メタデータ） (2022-11-21T04:15:27Z)
• Efficient Neural Query Auto Completion [17.58784759652327]
  クエリオートコンプリートシステムでは,3つの大きな課題が報告されている。 従来のQACシステムは、検索ログのクエリ候補頻度などの手作り機能に依存している。 本稿では,これらの課題を克服するために,効果的なコンテキストモデリングを用いた効率的なニューラルネットワークQACシステムを提案する。
  論文  参考訳（メタデータ） (2020-08-06T21:28:36Z)

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。