最大割问题基准：关于学习型组合优化启发式方法评估标准化
人工智能
2024-06-19 v1 机器学习
最优化与控制
摘要
最近，在将图神经网络 (GNNs) 纳入以学习分布特定解结构为目标的通用图基组合优化问题启发式方法设计方面取得了不少工作。然而，这些启发式方法的评估缺乏一致性，具体体现在所选基线和实例上，这使得难以评估算法的相对性能。本文提出了一个开源基准套件 MaxCut-Bench，用于 NP-hard 的最大割问题（包括加权和非加权两种变体），该套件基于从多样化图数据集中精心挑选的实例构建。该套件提供了多种启发式方法（包括传统方法和机器学习方法）的统一接口。随后，我们尝试在三个维度上系统性地检验或复现几种流行的学习方法的结果，包括 S2V-DQN [31]、ECO-DQN [4] 等：目标值、泛化能力和可扩展性。我们的实证结果表明，几种学习型启发式方法未能优于一个简单贪婪算法，只有一种方法在持续优于基于局部搜索的简单通用启发式方法 Tabu Search。此外，我们发现如果用与 Tabu Search 相关的特征子集上的简单线性回归来替代 GNN，ECO-DQN 的性能会保持不变或略有提高。代码、数据和预训练模型均可在 \url{https://github.com/ankurnath/MaxCut-Bench} 获取。
引用
@article{arxiv.2406.11897,
title = {A Benchmark for Maximum Cut: Towards Standardization of the Evaluation of Learned Heuristics for Combinatorial Optimization},
author = {Ankur Nath and Alan Kuhnle},
journal= {arXiv preprint arXiv:2406.11897},
year = {2024}
}