論文の概要: Beyond Binary: Continuous State Optimization with Graph-Structured Objectives

• arxiv url: http://arxiv.org/abs/2608.09366v1
• Date: Mon, 10 Aug 2026 09:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.187886
• Title: Beyond Binary: Continuous State Optimization with Graph-Structured Objectives
• Title（参考訳）: Beyond Binary: グラフ構造化オブジェクトによる継続的状態最適化
• Abstract要約: 大規模学習システムは、複数の競合する可能性のある目標のバランスをとるという課題に直面していることが多い。 ほぼ最適の後悔を維持しつつ,スイッチングコストを最小限に抑えるため,遅延更新を行うアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 61.561691314533135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale learning systems often face the challenge of balancing multiple, potentially competing objectives, such as fairness, accuracy, and latency. While recent work has formalized this as an optimization problem over binary states, many real-world control parameters, such as fairness thresholds, diversity mixing rates, or resource budgets, are continuous. In this work, we extend the framework to \emph{continuous state spaces}. We model the problem as minimizing a sum of linear objectives subject to \emph{movement costs} that penalize system instability. We capture the local structure of the objectives using a \emph{dependency graph} (or factor graph), where each objective is determined by a subset of the state attributes. To address the tension between exploration and stability, we propose \emph{Lazy Graph-LinUCB}, an algorithm that performs lazy updates to minimize switching costs while maintaining near-optimal regret. Beyond stability, we introduce three advanced mechanisms to exploit the underlying graph structure: (1) an \emph{asynchronous} update schedule that eliminates synchronization overhead in sparse graphs; (2) an \emph{adaptive} algorithm that learns the graph structure from data; and (3) a \emph{joint estimator} that leverages data sharing among correlated objectives to significantly tighten regret bounds. Empirically, we demonstrate that these structural exploitations reduce movement costs by more than a factor of three in heterogeneous systems while maintaining similar cumulative losses.
• Abstract（参考訳）: 大規模学習システムは、公正性、正確性、レイテンシといった、競合する可能性のある複数の目標のバランスをとるという課題に直面していることが多い。 最近の研究は二項状態に対する最適化問題としてこれを定式化したが、公平性閾値、多様性混合率、資源予算などの現実世界の制御パラメータは連続的である。 この研究では、フレームワークを \emph{continuous state space} に拡張する。 我々は,システムの不安定性をペナルティ化する「emph{movement cost}」の対象となる線形目的の和を最小化する問題として,この問題をモデル化する。 目的の局所構造を,状態属性のサブセットによって決定される因子グラフ(emph{dependency graph})を用いてキャプチャする。 探索と安定性の緊張に対処するため, ほぼ最適の後悔を維持しつつ, 切替コストを最小限に抑えるために, 遅延更新を行うアルゴリズムである \emph{Lazy Graph-LinUCB} を提案する。 安定性以外にも,(1)スパースグラフの同期オーバーヘッドを排除した \emph{asynchronous} 更新スケジュール,(2) グラフ構造をデータから学習する \emph{adaptive} アルゴリズム,(3) 相関対象間のデータ共有を活用して後悔境界を著しく強化する \emph{joint estimator} の3つの高度なメカニズムを導入している。 実験により, この構造的利用により, 同様の累積損失を維持しつつ, 異種システムにおける移動コストを3倍以上削減できることが実証された。

関連論文リスト

• DecoVLN: Decoupling Observation, Reasoning, and Correction for Vision-and-Language Navigation [49.233063630722334]
  長距離ナビゲーションにおけるロバストなストリーミング認識と閉ループ制御のためのフレームワークであるDecoVLNを提案する。 本稿では,統合されたスコアリング関数を反復的に最適化することにより,過去の候補プールからフレームを選択する適応的精錬機構を提案する。 また,コンプレックスエラーを軽減するために,状態-作用ペアレベルの補正手法を導入する。
  論文  参考訳（メタデータ） (2026-03-13T16:24:37Z)
• ChronoSpike: An Adaptive Spiking Graph Neural Network for Dynamic Graphs [10.05203937088835]
  スパイキングニューラルネットワークは、イベント駆動の効率を提供するが、シーケンシャルな伝播、バイナリ情報損失、グローバルなコンテキストを欠く局所的な集約によって制限される。 適応的なスパイクグラフニューラルネットワークであるChronoSpikeを提案する。このニューラルネットワークは、学習可能なLIFニューロンを膜間ダイナミクスと統合し、連続的な特徴に対する多頭部の空間的アグリゲーションと、トランスフォーマーの時間エンコーダである。 大規模な3つのベンチマークでは、ChronoSpikeは12の最先端のベースラインを$2.0%$マクロF1と$2.4%$マイクロF1で上回り、また、反復メソッドよりも3-10倍速いトレーニングを達成している。
  論文  参考訳（メタデータ） (2026-02-01T09:50:21Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
  時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。 本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。 S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-02-15T06:36:04Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Unsupervised Deep Manifold Attributed Graph Embedding [33.1202078188891]
  Deep Manifold Attributed Graph Embedding (DMAGE) という新しいグラフ埋め込みフレームワークを提案する。 データ空間と潜在空間の間のノード間類似性を計算するために,ノード間測地線類似性を提案する。 次に、オーバースムージング問題を軽減するため、集約の少ない新しいネットワーク構造を設計します。
  論文  参考訳（メタデータ） (2021-04-27T08:47:39Z)
• Optimizing Reachability Sets in Temporal Graphs by Delaying [8.122270502556374]
  時間グラフは、すべてのエッジが整数時間ラベルのセットに割り当てられる動的なグラフである。 本研究では、エッジの可用性の遅れに対応する時間ラベルの変化が、与えられたソースからの到達性セットにどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2020-04-13T11:36:52Z)

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。