Consider a dynamic network and a given distributed problem. At any point in time, there might exist several solutions that are equally good with respect to the problem specification, but that are different from an algorithmic perspective, because some could be easier to update than others when the network changes. In other words, one would prefer to have a solution that is more robust to topological changes in the network; and in this direction the best scenario would be that the solution remains correct despite the dynamic of the network. In~\cite{CasteigtsDPR20}, the authors introduced a very strong robustness criterion: they required that for any removal of edges that maintain the network connected, the solution remains valid. They focus on the maximal independent set problem, and their approach consists in characterizing the graphs in which there exists a robust solution (the existential problem), or even stronger, where any solution is robust (the universal problem). As the robustness criteria is very demanding, few graphs have a robust solution, and even fewer are such that all of their solutions are robust. In this paper, we ask the following question: \textit{Can we have robustness for a larger class of networks, if we bound the number $k$ of edge removals allowed}? (See the full paper for the full abstract.)


翻译:翻译后: 标题:何时等待更新?朝向稳健性的细化 摘要:考虑一个动态网络和一个给定的分布式问题。在任何时候,可能存在几个解,这些解在问题规范方面是同样好的,但在算法的角度下是不同的,因为某些解在网络发生更改时更新可能比其他解更容易。换句话说,人们希望获得更加稳健的解决方案,以适应网络拓扑的变化;在这个方向上,最好的情况是解决方案即使在网络动态的情况下仍然正确。在~\cite{CasteigtsDPR20}中,作者引入了一个非常强的稳健性标准:对于任何保持网络连接的边缘删除,解决方案仍然有效。他们专注于最大独立集问题,他们的方法是通过表征存在稳健解的图形(存在性问题),甚至更强,其中任何解都是稳健的(通用问题)。由于稳健性标准非常严格,很少有图形具有稳健解,甚至有很少的图形,所有解决方案都是稳健的。在本文中,我们提出以下问题:限制允许的边缘删除数量$k$时,是否可以拥有更多网络的稳健性?(有关摘要的完整摘要,请参阅全文。)

0
下载
关闭预览

相关内容

【AAAI 2022】 GeomGCL:用于分子性质预测的几何图对比学习
专知会员服务
23+阅读 · 2022年2月27日
【AAAI2022】跨域少样本图分类
专知会员服务
29+阅读 · 2022年1月22日
【NeurIPS 2021】流形上的注意力机制:规范等变的Transformer
专知会员服务
37+阅读 · 2020年11月24日
AAAI 2022 | 同时适用于同质和异质性的图神经网络
你有没有过被科技添堵的时候?
ZEALER订阅号
0+阅读 · 2022年5月22日
如何解决计算机视觉中的深度域适应问题?
AI前线
28+阅读 · 2019年7月24日
吴恩达团队:神经网络如何正确初始化?
AI100
11+阅读 · 2019年5月15日
你的算法可靠吗? 神经网络不确定性度量
专知
40+阅读 · 2019年4月27日
NAACL 2019 | 一种考虑缓和KL消失的简单VAE训练方法
PaperWeekly
20+阅读 · 2019年4月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年5月27日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员