引入新的随机重置路径寻找框架用于基于图的学习

研究人员引入了随机重置路径寻找（SRP），这是一个新的情景学习问题，专为涉及有向图上未知边成功概率的场景而设计。该框架适用于量子中继器网络、闪电网络上的支付路由以及网状网络中的交付等各种领域。提出的解决方案，带有UCB（PathUCB）和Thompson Sampling（PathTS）实例化的Log-Dijkstra元算法，提供了路径级遗憾界限，与现有的边级界限相比，为结构化图提供了更详细的见解。实验表明，PathTS在经验上通常表现最好，尽管存在其收敛性不确定的对抗性实例。 AI

影响 为具有潜在跨领域应用的基于图的学习问题引入了新的理论框架和算法。

排序理由 该集群包含一篇详细介绍机器学习问题新理论框架和算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Dijkstra
• Lightning Network
• PathTS
• PathUCB
• Stochastic Reset Pathfinding
• Thompson sampling
• University of California, Berkeley

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →