PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2305.17010v4cs.LG공식 코드 · Papers with Code

흐름이 말해 주도록: GFlowNet으로 그래프 조합 최적화 문제 풀기

Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets

조합 최적화(CO) 문제는 흔히 NP-hard이므로 정확 알고리즘으로는 풀기 어려워, 기계학습 방법을 적용하기에 매력적인 영역입니다. 이러한 문제의 고도로 구조화된 제약 조건은 해 공간(solution space)에서 직접 최적화하거나 샘플링하는 것을 모두 어렵게 만들 수 있습니다. 한편 GFlowNet은 복합적인 비정규화 밀도(unnormalized density)에서 순차적으로 효율적인 샘플링을 수행하는 강력한 도구로 최근 부상했으며, CO에서 이러한 해 탐색 과정을 상각(amortize)하고 다양한 후보 해를 생성할 잠재력을 지니고 있습니다. 본 논문에서는 여러 조합 문제에 대한 마르코프 결정 과정(MDP)을 설계하고, 해 공간에서 샘플링하도록 조건부 GFlowNet을 학습할 것을 제안합니다. 또한 장거리 크레딧 할당(long-range credit assignment)에 도움이 되는 효율적인 학습 기법도 개발했습니다. 합성 데이터와 실제 데이터를 사용한 다양한 CO 과제에 대한 폭넓은 실험을 통해, GFlowNet 정책이 고품질의 해를 효율적으로 찾을 수 있음을 보입니다. 구현 코드는 https://github.com/zdhNarsil/GFlowNet-CombOpt 에서 오픈소스로 공개되어 있습니다.

arXiv:2407.07338v4stat.ML공식 코드 · Papers with Code

전문가 지식을 활용한 완전한 인과 설명을 향하여

Towards Complete Causal Explanation with Expert Knowledge

우리는 최대 조상 그래프(MAG)의 마르코프 동치류를 특정 엣지 마크를 포함하는 MAG로만 제한하는 문제를 연구하며, 이를 전문가 지식 또는 방향 지식이라 부른다. 이러한 마르코프 동치류의 제한은 제한된 필수 조상 그래프(restricted essential ancestral graph)로 유일하게 표현될 수 있다. 우리의 기여는 여러 측면에 걸쳐 있다. 첫째, Ali et al. (2009)의 추측을 포함하여 전체 마르코프 동치류에 대한 특정 성질들을 증명한다. 둘째, 필수 조상 그래프에 방향 지식을 추가하기 위한 새로운 건전한 그래프 방향화 규칙들을 제시한다. 또한 Zhang (2008b)의 일부 방향화 규칙은 방향 지식으로 마르코프 동치류를 제한하는 데 필요하지 않음을 보인다. 셋째, 이 방향 지식을 포함하는 알고리즘을 제공하고, 특정 조건 하에서 알고리즘의 출력이 제한된 필수 조상 그래프임을 보인다. 마지막으로, 명시된 조건 외의 경우에 대해 그래프가 제한된 필수 그래프인지 확인하는 알고리즘을 제공하고 그 실행 시간을 논의한다. 이 연구는 잠재적 교란(latent confounding)을 허용하는 환경으로 Meek (1995)를 일반화한 것으로 볼 수 있다.