MARC

 008250123s2024        us                              c    eng  d
■001000017164705
■00520250211153033
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346723547
■035    ▼a(MiAaPQ)AAI31637132
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aDong,  Jialin.
■24510▼aEfficient  Algorithms  for  Partial  Information  Management:  Bandit  Problems  and  Graph  Neural  Networks
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a220  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Yang,  Lin.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aThis  thesis  explores  the  development  of  efficient  algorithms  for  managing  partial  information  in  complex  systems,  focusing  on  two  key  areas:  Graph  Neural  Networks  (GNNs)  and  Bandit  Problems.  In  an  era  where  the  boundaries  between  physical  and  digital  realms  are  rapidly  blurring,  these  seemingly  disparate  fields  have  emerged  as  integral  components  in  addressing  the  challenges  of  modern  interconnected  systems.  The  research  journey  begins  with  investigations  into  blind  demixing  for  Internet-of-Things  applications,  naturally  progressing  to  explorations  in  nonconvex  optimization  and  high-dimensional  statistical  analysis.  This  foundation  serves  as  a  springboard  for  novel  contributions  in  GNNs  and  Bandit  Problems,  addressing  the  pressing  need  for  robust,  scalable,  and  intelligent  algorithms  capable  of  handling  the  complexity  of  data-driven  applications  in  our  increasingly  connected  world.The  work  introduces  a  Global  Neighborhood  Sampling  algorithm  for  efficient  GNN  training  on  giant  graphs,  specifically  optimized  for  mixed  CPU-GPU  hardware  setups.  This  innovation  significantly  reduces  data  movement  between  CPU  and  GPU,  leading  to  substantial  performance  improvements  over  existing  state-of-the-art  sampling  methods.  Building  on  this,  the  thesis  presents  G-RAG,  a  graph-based  reranking  approach  for  Retrieval  Augmented  Generation  systems.  GRAG  leverages  both  the  connections  between  retrieved  documents  and  their  semantic  information,  providing  a  context-informed  reranker  that  outperforms  current  methods  while  maintaining  a  smaller  computational  footprint.Delving  into  the  realm  of  bandit  problems,  the  thesis  explores  sparse  bandit  learning  with  misspecified  linear  features.  This  investigation  provides  valuable  insights  into  how  structural  assumptions  can  aid  in  misspecified  bandit  learning,  demonstrating  that  algorithms  can  obtain  near-optimal  actions  by  querying  a  number  of  actions  that  scale  exponentially  with  the  sparsity  parameter  rather  than  the  ambient  dimension.  Furthermore,  the  research  presents  a  novel  feature-mapping  framework  for  solving  Markov  Decision  Processes  with  delayed  feedback,  where  the  agent's  observations  are  delayed  by  multiple  time  steps.  By  carefully  addressing  the  statistical  challenges  introduced  by  overlapping  action  sequences,  this  approach  achieves  a  regret  bound  that  is  independent  of  the  size  of  the  state  and  action  spaces.The  thesis  also  develops  an  online  stochastic  gradient  descent  (SGD)-based  algorithm  for  stochastic  bandit  problems  with  general  parametric  reward  functions.  This  method  employs  an  action-elimination  strategy  and  a  uniform  action-selection  approach,  providing  high-probability  regret  guarantees  and  effectively  handling  the  bias  introduced  by  greedy  action  selection.  This  contribution  extends  the  applicability  of  bandit  algorithms  to  a  broader  class  of  problems  with  complex  reward  structures.Throughout  the  research,  a  common  thread  emerges:  the  importance  of  understanding  and  leveraging  the  inherent  structure  in  complex  systems.  This  realization  serves  as  a  bridge  between  the  work  on  GNNs  and  bandit  problems,  highlighting  their  complementary  nature  in  modeling  and  decision-making  within  large-scale,  interconnected  systems.  The  synthesis  of  these  areas  leads  to  novel  insights  and  methodologies  with  the  potential  to  impact  a  wide  range  of  applications,  from  improving  recommendation  systems  and  enhancing  financial  modeling  to  optimizing  large-scale  infrastructure  networks  and  advancing  human-AI  interaction.  This  thesis  stands  at  the  intersection  of  several  critical  domains  in  computer  science  and  applied  mathematics,  building  upon  foundational  work  in  optimization,  statistical  learning,  and  network  analysis  while  addressing  the  pressing  needs  of  emerging  technologies  in  AI  and  IoT.  By  bridging  theoretical  and  empirical  perspectives,  the  research  advances  the  state-of-the-art  in  efficient  algorithms  for  partial  information  management.  The  developed  techniques  not  only  push  the  boundaries  of  our  understanding  but  also  offer  practical  solutions  to  real-world  challenges  in  managing  and  leveraging  partial  information  in  complex  systems.In  conclusion,  this  work  contributes  to  the  development  of  more  robust,  scalable,  and  intelligent  systems  capable  of  navigating  the  complexities  of  our  data-driven  world.  As  we  continue  to  face  challenges  in  areas  such  as  large-scale  graph  learning,  decision-making  under  uncertainty,  and  human-AI  interaction,  the  algorithms  and  insights  presented  in  this  thesis  pave  the  way  for  future  advancements  in  the  field,  offering  a  foundation  for  more  adaptive  and  efficient  approaches  to  partial  information  management  in  the  ever-evolving  landscape  of  interconnected  systems.
■590    ▼aSchool  code:  0031.
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■653    ▼aGraph  Neural  Networks
■653    ▼aBandit  Problems
■653    ▼aLarge-scale  infrastructure  networks
■690    ▼a0544
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  California,  Los  Angeles▼bElectrical  and  Computer  Engineering  0333.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164705▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서