Core Concepts
Große Sprachmodelle verbessern die Identifizierung kritischer Knoten in Netzwerken durch Evolutionäre Algorithmen.
Abstract
Abstract:
Vorschlag eines Ansatzes zur Identifizierung kritischer Knoten in Netzwerken durch Evolutionäre Algorithmen mit großen Sprachmodellen (LLMs).
Modell besteht aus manueller Initialisierung, Populationsmanagement und LLMs-basierter Evolution.
Experimente zeigen überlegene Leistung und starke Generalisierungsfähigkeit im Vergleich zu anderen Algorithmen.
Einleitung:
Identifizierung kritischer Knoten in verschiedenen Netzwerken ist ein grundlegendes Forschungsproblem.
Unterschiedliche Ansätze von heuristischen Methoden bis zu lernbasierten Methoden existieren.
Methodik:
Modell besteht aus manueller Initialisierung, Populationsmanagement und LLMs-basierter Evolution.
LLMs führen Crossover- und Mutationsoperationen durch, um neue Funktionen zu generieren.
Funktionen werden bewertet und klassifiziert, um die besten auszuwählen.
Experimente und Ergebnisse:
Überlegene Leistung des vorgeschlagenen Modells in verschiedenen Netzwerken im Vergleich zu anderen Algorithmen.
Unterschiedliche Funktionen werden durch das Modell entdeckt und bewertet.
Ablationsstudie:
Die drei Hauptkomponenten des Modells (manuelle Initialisierung, Populationsmanagement, LLMs-basierte Evolution) tragen wesentlich zur Leistung bei.
Stats
Unser Modell zeigt eine überlegene Leistung in verschiedenen Netzwerken.
Die Evolution der Funktionen zeigt eine kontinuierliche Verbesserung der Qualität.
Die verschiedenen Komponenten des Modells tragen wesentlich zur Identifizierung kritischer Knoten bei.
Quotes
"Unser Modell zeigt eine überlegene Leistung in verschiedenen Netzwerken."
"Die Evolution der Funktionen zeigt eine kontinuierliche Verbesserung der Qualität."