使用图贝叶斯优化从单次快照观测中进行多源定位
机器学习
2024-03-26 v1
摘要
由于其各种应用的重要性，源定位作为应对扩散危害的最重要手段之一受到了广泛关注。由于单次快照观测的多源定位问题非常普遍，因此尤为相关。然而，该问题固有的复杂性，如信息有限、源之间的交互以及对扩散模型的依赖，给求解带来了挑战。当前方法通常利用启发式方法和贪婪选择，并且通常与单一扩散模型绑定。因此，它们的有效性受到限制。为了解决这些局限性，我们提出了一种称为 BOSouL 的基于仿真的方法。采用贝叶斯优化（BO）来近似结果，因为其具有较高的样本效率。代理函数对来自有限信息的不确定性进行建模。它将节点集合而非单个节点作为输入。BOSouL 可以通过仿真在数据获取过程中结合任何扩散模型。实证研究表明，其性能在不同的图结构和扩散模型上均具有鲁棒性。代码可在 https://github.com/XGraph-Team/BOSouL 获取。
引用
@article{arxiv.2403.16818,
title = {Multiple-Source Localization from a Single-Snapshot Observation Using Graph Bayesian Optimization},
author = {Zonghan Zhang and Zijian Zhang and Zhiqian Chen},
journal= {arXiv preprint arXiv:2403.16818},
year = {2024}
}
备注
Proceedings of the AAAI Conference on Artificial Intelligence, 2024