抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
最近,多くのニューラルモデルが,sudokuまたはグラフ彩色(GCP)のような,それらの解決されたインスタンスを用いて,内在する制約を暗黙的に学習することにより,コンビナトリアルパズルを解くために提案されてきた。グラフニューラルネットワーク(GNN)に基づく提案アーキテクチャの1つの欠点は,変数が値,例えば,GCPにおける色の集合,または,sudokuにおけるボードサイズに割り当てられる出力空間のサイズを一般化できないことである。変数に対する出力空間を「値集合」と呼ぶ。多くの研究がグラフサイズにわたるGNNの一般化を実証してきたが,同じドメインから来る問題に対する値集合不変性を達成するために,GNNを設計する方法に関する研究は無い。例えば,わずか9x9のsudoksで訓練された後,16x16のsudokuを解決する学習を学習した。本研究では,GNNベースアーキテクチャを拡張し,値集合不変性を達成する新しい方法を提案した。特に,著者らのモデルは,最近提案された再電流関係ネットワークを構築する。第一の手法は,マルチクラスノード分類問題を二値ノード分類問題に変換することにより,GNNのグラフサイズ不変性を利用した。第2の手法は,値集合における値に対応する複数のノードを加えることにより,複数のクラスで直接動作し,次に,問題初期化に依存してノードをノードに接続する。3つの異なる組合せ問題に関する著者らの実験的評価は,両方のモデルが,一般的神経推論器と比較して,著者らの新規問題に関して良好に機能することを示した。著者らのモデルの2つの間で,著者らは,固有のトレードオフを観察し,一方,二値化モデルは,より小さな値集合上で訓練されたとき,より優れた性能を与え,マルチ値モデルは,はるかに記憶効率が高く,その結果,2値化モデルが訓練に失敗する,より大きな値集合上で訓練されたとき,改善された性能をもたらした。【JST・京大機械翻訳】
