Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

12.03.2020 | Original Article | Ausgabe 9/2020

International Journal of Machine Learning and Cybernetics 9/2020

A novel learning-based approach for efficient dismantling of networks

Zeitschrift:
International Journal of Machine Learning and Cybernetics > Ausgabe 9/2020
Autoren:
Changjun Fan, Li Zeng, Yanghe Feng, Guangquan Cheng, Jincai Huang, Zhong Liu
Wichtige Hinweise
Changjun Fan and Li Zeng these authors have contributed equally to this work.

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Dismantling of complex networks is a problem to find a minimal set of nodes in which the removal leaves the network broken into connected components of sub-extensive size. It has a wide spectrum of important applications, including network immunization and network destruction. Due to its NP-hard computational complexity, this problem cannot be solved exactly with polynomial time. Traditional solutions, including manually-designed and considerably sub-optimal heuristic algorithms, and accurate message-passing ones, all suffer from low efficiency in large-scale problems. In this paper, we introduce a simple learning-based approach, CoreGQN, which seeks to train an agent that is able to smartly choose nodes that would accumulate the maximum rewards. CoreGQN is trained by hundreds of thousands self-plays on small synthetic graphs, and can then be able to generalize well on real-world networks across different types with different scales. Extensive experiments demonstrate that CoreGQN performs on par with the state-of-art algorithms at greatly reduced computational costs, suggesting that CoreGQN should be the better choice for practical network dismantling purposes.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 9/2020

International Journal of Machine Learning and Cybernetics 9/2020 Zur Ausgabe