グラフ ニューラル ネットワークは Nature サブジャーナルに掲載されましたが、通常のアルゴリズムよりも 104 倍遅いことが明らかになりました。
GNN は近年非常に人気のある分野です。最近、Nature のサブジャーナル論文で GNN を使用して組み合わせ最適化問題を解決する方法が提案され、GNN オプティマイザーのパフォーマンスは既存のソルバーと同等か、それを超えていると主張されました。しかし、この論文にはいくつかの疑問があります。この GNN のパフォーマンスは実際には古典的な貪欲アルゴリズムほど良くなく、速度も貪欲アルゴリズムよりもはるかに遅いと指摘する人もいます (100 万個の変数を伴う問題の場合、貪欲アルゴリズムは、アルゴリズムは GNN よりも 104 倍高速です)。そこで懐疑論者たちは、「この問題を解決するためにこれらの GNN を使用する正当な理由は見当たりません。大ハンマーを使ってナッツを割るようなものです。」彼らは、これらの論文の著者が、最初にこの困難な問題を解決してから、手法の優位性を評価し、ベンチマークを比較します。
近年、ニューラル ネットワークは、離散組み合わせ最適化問題など、応用科学や基礎科学における多くの困難な問題を解決してきました。これは、コンピューティングの限界を理解するための基礎でもあります。
Martin JA Schuetz らの 2022 年の研究「物理学にヒントを得たグラフ ニューラル ネットワークによる組み合わせ最適化」[4] では、物理学にヒントを得た教師なしグラフ ニューラル ネットワーク (GNN) を使用して、このアプローチは、グラフ上の組み合わせ最適化問題を解決するのに有望であると思われ、影響力の高いジャーナル (Nature Machine Intelligence) に掲載されました。この研究では、最大カットと最大独立集合 (MIS) という 2 つの標準的な最適化問題で GNN のパフォーマンスをテストしました。この新しく提案された GNN オプティマイザーには、多くのより大きなインスタンスの問題に拡張できるという、非常に優れた特性があります。
#論文アドレス: https://arxiv.org/pdf/2107.01188.pdf
しかし、最近の新しい論文「大ハンマーでナットを割る: 現代のグラフ ニューラル ネットワークのパフォーマンスが古典的な貪欲アルゴリズムよりも悪いとき」は、Martin JA Schuetz らの研究に疑問を投げかけています。 GNN オプティマイザーは「蚊をすり鉢で叩くのと同じように、大ハンマーでナッツを割っている」ため、リソースが無駄になり、結果も悪くなります。
MIS 問題は次のように定義されます。n 個のノードと次数が d に固定された無向ランダム正規グラフ (d-RRG) が与えられた場合、独立集合 (IS) は最近傍ペアを含まない頂点のサブセットを指します。 . ; MIS 問題では、最大の IS を見つける必要があり、そのサイズは α と呼ばれます。 MIS は NP 困難問題ですが、多項式時間の最大値にできるだけ近いサイズの IS を見つけるアルゴリズムを見つけたいと考えています。さらに、優れたアルゴリズムは、n の値が大きくなってもパフォーマンスが低下しないようにする必要があります。
Martin JA Schuetz らによって提案された新しい GNN は、非常に大きなグラフ (n≤ 10^6) の IS を見つけることができます: アルゴリズムの実行時間は問題のサイズに比例します: t 〜 n^ 1.7 であり、以下の図 1 に示すように、n が増加してもアルゴリズムのパフォーマンスは安定しています。
実際には、BH よりもはるかに高速な IS 計算アルゴリズムは他にも多数あり、研究では提案された GNN オプティマイザーとこれらのアルゴリズムを比較する必要があります。その中で最も単純なアルゴリズムは貪欲アルゴリズム (GA) [9] です。次数ベースの貪欲アルゴリズム (DGA) が最適化された後、実行時間はノード数 n にほぼ比例します。
この研究では、Martin JA Schuetz らが提案した GNN オプティマイザー (オープン) と DGA (ソリッド) を比較し、d=3 および d=5 の d-RRG で MIS を見つけます。パフォーマンス。
図 1 (右) に示すように、実行時間と問題サイズ (ノード数) の関係の観点から見ると、DGA は GNN よりもはるかに優れています。 GNN の実行時間はノード数 n とほぼ二次関数の関係があるのに対し、GNN の実行時間は線形の関係があります (指数はおそらく前漸近効果により 1.15 です)。 この研究では、Martin JA Schuetz らの主張「グラフ ニューラル ネットワークに基づくオプティマイザーのパフォーマンスは既存のソルバーと同等かそれ以上であり、現在の SOTA モデルを超える能力がある」と考えています。 「数百万の変数をもつ問題に拡張可能」は精査に耐えられず、実際の実験結果と矛盾しているため、Martin JA Schuetz らは論文を修正する必要がある。 この調査では、DGA のパフォーマンスを詳細に明らかにしており、この単純な貪欲アルゴリズムは最小限のベンチマークとみなされ、新しいアルゴリズムのパフォーマンスは次の水準に達する必要があると考えられています。最低でもDGAよりは優れている 優秀な人材が採用される。 もちろん、DGA は非常に単純なアルゴリズムにすぎず、DGA より優れた標準アルゴリズムは他にもたくさんあります。 Maria Chiara らの 2019 年の論文「モンテカルロ アルゴリズムは、疎なランダム グラフで最大の独立セットを見つけるのに非常に効果的です」では、MIS 問題を解決するための複数のアルゴリズムのパフォーマンスについての詳細な研究が提供されています。 ##これに基づいて、この研究は次のような疑問を提起します。「新しい最適化アルゴリズムを評価するとき、アルゴリズムのパフォーマンスをテストするためのベンチマークとして本当に難しい問題は何ですか?」 たとえば、この研究では、d16 の d-RRG 上の MIS を考慮します。ここで、d=20 と d=100 の結果を、2019 年の論文「モンテカルロ アルゴリズムは、疎なランダム グラフで最大の独立セットを見つけるのに非常に効果的です」で与えられた結果と比較できます。 明らかに、優れた最適化アルゴリズムは n 多項式時間で完了する必要があります。関係が線形であれば、より良いでしょう。見つかった解の品質は、単純な既存のアルゴリズムよりも優れているはずです。 . . 、n が増加しても品質は低下しないはずです。 研究の結論: 現在、ニューラル ネットワーク ベースのオプティマイザー (Martin JA Schuetz らによって提案されたオプティマイザーなど) は上記の要件を満たしておらず、単純な標準アルゴリズムと競合することはできません。難しい最適化問題を解決します。ニューラル ネットワークがこの要件を満たせるかどうか、または失敗の深い理由があるかどうかを調査することが重要です。
以上がグラフ ニューラル ネットワークは Nature サブジャーナルに掲載されましたが、通常のアルゴリズムよりも 104 倍遅いことが明らかになりました。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









vue.jsのオブジェクトに文字列を変換する場合、標準のjson文字列にはjson.parse()が推奨されます。非標準のJSON文字列の場合、文字列は正規表現を使用して処理し、フォーマットまたはデコードされたURLエンコードに従ってメソッドを削減できます。文字列形式に従って適切な方法を選択し、バグを避けるためにセキュリティとエンコードの問題に注意してください。

VueとElement-UIカスケードドロップダウンボックスv-Modelバインディング共通ピットポイント:V-Modelは、文字列ではなく、カスケード選択ボックスの各レベルで選択した値を表す配列をバインドします。 SelectedOptionsの初期値は、nullまたは未定義ではなく、空の配列でなければなりません。データの動的読み込みには、非同期でデータの更新を処理するために非同期プログラミングスキルを使用する必要があります。膨大なデータセットの場合、仮想スクロールや怠zyな読み込みなどのパフォーマンス最適化手法を考慮する必要があります。

概要:Vue.js文字列配列をオブジェクト配列に変換するための次の方法があります。基本方法:定期的なフォーマットデータに合わせてマップ関数を使用します。高度なゲームプレイ:正規表現を使用すると、複雑な形式を処理できますが、慎重に記述して考慮する必要があります。パフォーマンスの最適化:大量のデータを考慮すると、非同期操作または効率的なデータ処理ライブラリを使用できます。ベストプラクティス:コードスタイルをクリアし、意味のある変数名とコメントを使用して、コードを簡潔に保ちます。

Vue axiosのタイムアウトを設定するために、Axiosインスタンスを作成してタイムアウトオプションを指定できます。グローバル設定:Vue.Prototype。$ axios = axios.create({Timeout:5000});単一のリクエストで:this。$ axios.get( '/api/users'、{timeout:10000})。

700万のレコードを効率的に処理し、地理空間技術を使用したインタラクティブマップを作成します。この記事では、LaravelとMySQLを使用して700万を超えるレコードを効率的に処理し、それらをインタラクティブなマップの視覚化に変換する方法について説明します。最初の課題プロジェクトの要件:MySQLデータベースに700万のレコードを使用して貴重な洞察を抽出します。多くの人は最初に言語をプログラミングすることを検討しますが、データベース自体を無視します。ニーズを満たすことができますか?データ移行または構造調整は必要ですか? MySQLはこのような大きなデータ負荷に耐えることができますか?予備分析:キーフィルターとプロパティを特定する必要があります。分析後、ソリューションに関連している属性はわずかであることがわかりました。フィルターの実現可能性を確認し、検索を最適化するためにいくつかの制限を設定しました。都市に基づくマップ検索

リモートシニアバックエンジニアの求人事業者:サークル場所:リモートオフィスジョブタイプ:フルタイム給与:$ 130,000- $ 140,000職務記述書サークルモバイルアプリケーションとパブリックAPI関連機能の研究開発に参加します。ソフトウェア開発ライフサイクル全体をカバーします。主な責任は、RubyonRailsに基づいて独立して開発作業を完了し、React/Redux/Relay Front-Endチームと協力しています。 Webアプリケーションのコア機能と改善を構築し、機能設計プロセス全体でデザイナーとリーダーシップと緊密に連携します。肯定的な開発プロセスを促進し、反復速度を優先します。 6年以上の複雑なWebアプリケーションバックエンドが必要です

MySQLの起動が失敗する理由はたくさんあり、エラーログをチェックすることで診断できます。一般的な原因には、ポートの競合(ポート占有率をチェックして構成の変更)、許可の問題(ユーザー許可を実行するサービスを確認)、構成ファイルエラー(パラメーター設定のチェック)、データディレクトリの破損(テーブルスペースの復元)、INNODBテーブルスペースの問題(IBDATA1ファイルのチェック)、プラグインロード障害(エラーログのチェック)が含まれます。問題を解決するときは、エラーログに基づいてそれらを分析し、問題の根本原因を見つけ、問題を防ぐために定期的にデータをバックアップする習慣を開発する必要があります。

この記事では、MySQLデータベースの操作を紹介します。まず、MySQLWorkBenchやコマンドラインクライアントなど、MySQLクライアントをインストールする必要があります。 1. mysql-uroot-pコマンドを使用してサーバーに接続し、ルートアカウントパスワードでログインします。 2。CreatedAtaBaseを使用してデータベースを作成し、データベースを選択します。 3. createTableを使用してテーブルを作成し、フィールドとデータ型を定義します。 4. INSERTINTOを使用してデータを挿入し、データをクエリし、更新することでデータを更新し、削除してデータを削除します。これらの手順を習得することによってのみ、一般的な問題に対処することを学び、データベースのパフォーマンスを最適化することでMySQLを効率的に使用できます。
