用于最大极小割问题的结合启发式方法的无监督学习框架
人工智能
2024-08-19 v1 机器学习
摘要
最大极小割问题（MMCP）是一个NP-hard组合优化（CO）问题，由于苛刻的双连通约束而未受到广泛关注。此外，作为一个CO问题，它也是机器学习的艰巨任务，尤其是在没有标注实例的情况下。为了解决这些问题，本工作提出了一种结合启发式方法的无监督学习框架用于MMCP，能够提供有效且高质量的解。据我们所知，这是首个探索机器学习和启发式方法求解MMCP的工作。该无监督求解器受松弛-舍入方法的启发，松弛解由图神经网络参数化，MMCP的成本和惩罚项被显式写出，从而可以端到端地训练模型。一个关键观察是每个解至少对应一棵生成树。基于这一发现，一个通过添加顶点实现树变换的启发式求解器被用于修复和提升无监督求解器的解质量。或者，在保证解一致性的前提下对图进行简化，从而减少运行时间。我们进行了大量实验来评估所提出的框架并给出了一个具体应用。结果表明，我们的方法优于两种对比技术。
引用
@article{arxiv.2408.08484,
title = {An Unsupervised Learning Framework Combined with Heuristics for the Maximum Minimal Cut Problem},
author = {Huaiyuan Liu and Xianzhang Liu and Donghua Yang and Hongzhi Wang and Yingchi Long and Mengtong Ji and Dongjing Miao and Zhiyu Liang},
journal= {arXiv preprint arXiv:2408.08484},
year = {2024}
}