图神经网络深度强化学习的挑战与机遇：算法与应用综述
机器学习
2022-11-09 v2
摘要
深度强化学习（DRL）已赋能多种人工智能领域，包括模式识别、机器人学、推荐系统和博弈。类似地，图神经网络（GNN）也在图结构数据的监督学习中展现出优越性能。近来，将 GNN 与 DRL 融合用于图结构环境引起了大量关注。本文对这些混合工作进行了全面综述。这些工作可分为两类：（1）算法增强，其中 DRL 与 GNN 相互补充以获得更好效用；（2）应用特定增强，其中 DRL 与 GNN 相互支持。这种融合有效解决了工程与生命科学中的各种复杂问题。基于该综述，我们进一步分析了融合这两个领域的适用性与益处，特别是在提升泛化性和降低计算复杂度方面。最后，指出了集成 DRL 与 GNN 的关键挑战及潜在未来研究方向，这将引起更广泛机器学习界的兴趣。
引用
@article{arxiv.2206.07922,
title = {Challenges and Opportunities in Deep Reinforcement Learning with Graph Neural Networks: A Comprehensive review of Algorithms and Applications},
author = {Sai Munikoti and Deepesh Agarwal and Laya Das and Mahantesh Halappanavar and Balasubramaniam Natarajan},
journal= {arXiv preprint arXiv:2206.07922},
year = {2022}
}
备注
20 pages, 3 figures, 2 tables