최소 제로 포싱(zero-forcing) 집합을 위한 심층 강화학습
Deep Reinforcement Learning for Minimum Zero-Forcing Sets
본 논문은 무방향 그래프에서 최소 제로 포싱(zero-forcing) 집합을 찾는 문제를 탐구하고, 이 문제를 해결하기 위한 적응형 머신러닝 프레임워크를 제안한다. 최소 제로 포싱 집합 문제는 초기 노드 집합의 색이 네트워크 전체로 전파되는 그래프 색칠(graph coloring) 문제이다. 노드 집합이 색 변경 규칙(color-change rule)의 제약 하에서 색이 칠해지지 않은 모든 노드를 색이 바뀌도록 강제하면, 그 집합은 제로 포싱(zero-forcing)이다. 이 문제는 네트워크 과학, 네트워크 제어, 논리 회로 설계 등 여러 분야에서 다양한 응용이 있다. 최소 제로 포싱 집합을 찾는 문제는 NP-hard임이 알려져 있다. 우리는 ZFS 문제에 S2V-DQN 아키텍처를 적응시킨 강화학습 프레임워크인 SD-ZFS를 제안한다. 우리는 이 적응 프레임워크에서 여러 모델을 학습하고, 구조가 서로 다른 그래프 데이터셋에 걸쳐 성능을 분석한다. 우리는 프레임워크에서 학습된 모델이 서로 다른 네트워크 유형에 대해 어떻게 일반화, 스케일링, 전이되는지 평가한다. 결과는 최적해 및 탐욕적 휴리스틱(greedy heuristic)과 비교했을 때 프레임워크의 효과를 보여준다. 우리는 머신러닝을 통해 ZFS 문제를 어떻게 해결할 수 있는지, 그리고 네트워크 구조가 문제에 미치는 영향에 대한 추가적인 통찰을 제공한다.