Online Learning of Network Bottlenecks via Minimax Paths

要約

この論文では、ミニマックスパスを抽出することにより、ネットワークのボトルネックの特定を研究します。
多くの現実世界のネットワークには、完全な知識が事前に得られない確率的重みがあります。
したがって、このタスクを組み合わせセミバンディット問題としてモデル化し、トンプソン サンプリングの組み合わせバージョンを適用して、対応するベイジアン リグレッションの上限を確立します。
この問題は計算が難しいため、元の目的に近い別の問題の定式化を考案します。
最後に、Thompson Sampling のパフォーマンスを、実世界の有向ネットワークと無向ネットワークの近似定式化で実験的に評価します。

要約(オリジナル)

In this paper, we study bottleneck identification in networks via extracting minimax paths. Many real-world networks have stochastic weights for which full knowledge is not available in advance. Therefore, we model this task as a combinatorial semi-bandit problem to which we apply a combinatorial version of Thompson Sampling and establish an upper bound on the corresponding Bayesian regret. Due to the computational intractability of the problem, we then devise an alternative problem formulation which approximates the original objective. Finally, we experimentally evaluate the performance of Thompson Sampling with the approximate formulation on real-world directed and undirected networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google