論文の概要: Toward Maximizing Algebraic Connectivity via Density-Dependent Backbone Construction and Reinforcement Learning Completion

• arxiv url: http://arxiv.org/abs/2610.12697v1
• Date: Thu, 08 Oct 2026 20:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.276618
• Title: Toward Maximizing Algebraic Connectivity via Density-Dependent Backbone Construction and Reinforcement Learning Completion
• Title（参考訳）: 密度依存型バックボーン構築と強化学習完了による代数接続性の最大化に向けて
• Abstract要約: 本稿では,最大代数接続性を持つグラフトポロジを構築するためのオープンネットワーク設計問題について検討する。 設計課題を高品質で低コストな構造的バックボーン構築と強化学習完了段階の2段階に分解する密度依存型手法を提案する。
• 参考スコア（独自算出の注目度）: 5.464049045939554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies an open network design problem of constructing graph topologies with maximum algebraic connectivity under fixed numbers of vertices and edges. A density-dependent approach is proposed that decomposes the design task into two stages: a high-quality, low-cost structural backbone construction and a reinforcement learning completion stage. The method selects the backbone based on density, using complete multipartite graphs in dense regimes and Cayley graphs in low-to-intermediate regimes, and then refines the remaining edges through a learning-based procedure. Numerical results show that the proposed method achieves high algebraic connectivity with favorable runtime scalability, outperforming existing methods. These results support a structural-family-first strategy for scalable network design.
• Abstract（参考訳）: 本稿では,頂点と辺の固定数の下で最大代数接続性を持つグラフトポロジを構築するためのオープンネットワーク設計問題について検討する。 設計課題を高品質で低コストな構造的バックボーン構築と強化学習完了段階の2段階に分解する密度依存型手法を提案する。 この手法は、密度に基づいてバックボーンを選択し、高密度なレジームにおける完全多部グラフと低中間のレジームにおけるケイリーグラフを用いて、学習ベースの手順により残りのエッジを洗練する。 計算結果から,提案手法は実行時拡張性に優れた代数的接続性を実現し,既存手法よりも優れた性能を示した。 これらの結果は、スケーラブルなネットワーク設計のための構造的ファミリーファースト戦略をサポートする。

関連論文リスト

• Towards Multiscale Graph-based Protein Learning with Geometric Secondary Structural Motifs [10.433254687685038]
  タンパク質構造を学習するための強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 本稿では,タンパク質に合わせたマルチスケールグラフベースの効率的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-31T18:50:24Z)
• Reinforcement Learning-Based Dynamic Grouping for Tubular Structure Tracking [14.048453741483092]
  マルコフ決定過程 (MDP) としてセグメントワイドトラッキングを行う新しいフレームワークを提案する。 提案手法はQ-Learningを利用してセグメントグラフを動的に探索し,エッジウェイトをオンデマンドで計算し,検索空間を適応的に拡張する。 典型的な管状構造データセットに対する実験的な再試行により,本手法は最先端のポイントワイドおよびセグメントワイドアプローチを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-06-21T11:00:17Z)
• Flexible Mesh Segmentation via Reeb Graph Representation of Geometrical and Topological Features [0.0]
  本稿では, フレキシブルリーブグラフ表現を用いて幾何学的特徴と位相的特徴を統合するメッシュセグメンテーション手法を提案する。 このアルゴリズムは,改良されたトポロジカルスケルトンアプローチを用いたリーブグラフの構築,重要な特徴を保ちながら臨界点のキャンセルによるグラフの位相的単純化,適応的な領域成長過程による連続セグメントの生成の3段階からなる。
  論文  参考訳（メタデータ） (2024-12-05T23:04:45Z)
• Curriculum-Enhanced Residual Soft An-Isotropic Normalization for Over-smoothness in Deep GNNs [4.468525856678543]
  本稿では,ノード埋め込みの多様性を保ち,過密性による不識別を防止するためのソフトグラフ正規化手法を提案する。 また, ディープGNNの最適化を向上するために, ラベル平滑な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-13T15:42:14Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Learning High-level Semantic-Relational Concepts for SLAM [10.528810470934781]
  低レベル因子グラフから推定できる高レベル意味関連概念を学習するためのアルゴリズムを提案する。 提案手法をシミュレーションと実データの両方で検証し, 2つのベースラインアプローチによる性能向上を実証した。
  論文  参考訳（メタデータ） (2023-09-30T14:54:31Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。