图上组合优化的退火训练
机器学习
2022-07-26 v1
摘要
组合优化（CO）问题的困难性阻碍了为监督学习收集解。然而，由于缺乏标注数据，为CO问题学习神经网络极为困难，训练易陷入局部最优。在本工作中，我们提出了一种简单而有效的CO问题退火训练框架。具体而言，我们将CO问题转化为无偏基于能量的模型（EBM）。我们精心选取惩罚项以使EBM尽可能平滑。随后训练图神经网络来逼近EBM。为防止训练在初始化附近陷入局部最优，我们引入了退火损失函数。实验评估表明，我们的退火训练框架取得了实质性改进。在四类CO问题中，我们的方法在合成与真实图上的性能均显著优于其他无监督神经方法。
引用
@article{arxiv.2207.11542,
title = {Annealed Training for Combinatorial Optimization on Graphs},
author = {Haoran Sun and Etash K. Guha and Hanjun Dai},
journal= {arXiv preprint arXiv:2207.11542},
year = {2022}
}