拡張するネットワーク上のグラフフィルタリングを用いた確率的逐次意思決定

要約: グラフフィルタはトポロジ情報を活用してネットワークデータを処理しますが、既存の手法は主に固定グラフを研究しており、グラフはノードが未知のパターンで継続的に追加されることで拡張することを見落としています。後者には、進化と不確実性を考慮したフィルタベースの意思決定パラダイムの開発が求められます。既存のアプローチは、事前設計されたフィルタまたはオンライン学習のいずれかに依存しており、過去または現在の情報のみを考慮する短視的な視点に限定されています。将来の影響を考慮するために、拡張するグラフに適応するポリシーを持つネットワークデータのフィルタリングのための確率的逐次意思決定フレームワークを提案します。フィルタのシフトをエージェントとして表現することにより、フィルタをマルチエージェントシステムとしてモデル化し、マルチエージェント強化学習に従ってポリシーを訓練します。これにより長期的な報酬を考慮し、逐次意思決定を通じて拡張ダイナミクスを捉えます。さらに、ポリシーをパラメータ化する文脈対応グラフニューラルネットワークを開発し、グラフとエージェントの双方の情報に基づいてフィルタパラメータを調整します。コールドスタート推薦からCOVID-19予測までの合成データセットと実データセットでの実験は、バッチおよびオンラインフィルタリングの代替手段よりも逐次意思決定の視点を使用する利点を際立たせます。