GraphFSA: A Finite State Automaton Framework for Algorithmic Learning on Graphs

要約

多くのグラフ アルゴリズムは、反復的に適用されるルールのセットとして見ることができ、反復の数は入力グラフのサイズと複雑さに依存します。
既存の機械学習アーキテクチャでは、これらのアルゴリズムによる決定を離散的な状態遷移として表現するのに苦労することがよくあります。
そこで、我々は新しいフレームワーク、GraphFSA (Graph Finite State Automaton) を提案します。
GraphFSA は、特定のグラフの各ノードで実行される有限状態オートマトンを学習するように設計されています。
私たちはセル オートマトンの問題について GraphFSA をテストし、単純なアルゴリズム設定でその機能を実証します。
私たちのフレームワークを包括的に経験的に評価するために、さまざまな総合問題を作成します。
次に、主なアプリケーションとして、より複雑なグラフ アルゴリズムの学習に焦点を当てます。
私たちの調査結果は、GraphFSA が強力な一般化および外挿能力を示し、これらのアルゴリズムを表す代替アプローチを提示していることを示唆しています。

要約(オリジナル)

Many graph algorithms can be viewed as sets of rules that are iteratively applied, with the number of iterations dependent on the size and complexity of the input graph. Existing machine learning architectures often struggle to represent these algorithmic decisions as discrete state transitions. Therefore, we propose a novel framework: GraphFSA (Graph Finite State Automaton). GraphFSA is designed to learn a finite state automaton that runs on each node of a given graph. We test GraphFSA on cellular automata problems, showcasing its abilities in a straightforward algorithmic setting. For a comprehensive empirical evaluation of our framework, we create a diverse range of synthetic problems. As our main application, we then focus on learning more elaborate graph algorithms. Our findings suggest that GraphFSA exhibits strong generalization and extrapolation abilities, presenting an alternative approach to represent these algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google