Deep k-grouping：面向图与超图组合优化的无监督学习框架
机器学习
2025-05-28 v1 人工智能
摘要
随着 AI 计算在科学发现中大放异彩，其在组合优化（CO）领域的潜力近年来也开始显现。然而，由于计算框架的局限性，现有的无监督神经网络求解器难以求解大规模图与超图上的 -分组问题（例如着色、划分）。在本工作中，我们提出了 Deep -grouping，一个基于无监督学习的 CO 框架。具体而言，我们的贡献包括：新颖的独热编码多项式无约束二元优化（OH-PUBO），一种用于对图与超图上的 -分组问题（例如图/超图着色与划分）进行建模的公式化方法；面向大规模 -分组 CO 问题的 GPU 加速算法。Deep -grouping 将大规模 OH-PUBO 目标松弛为可微损失函数，并以无监督方式对其进行训练优化。为确保可扩展性，它利用 GPU 加速算法统一了训练流程；一种基于基尼系数的连续松弛退火策略，用于在防止收敛至局部最优的同时增强解的离散性。实验结果表明，Deep -grouping 优于现有的神经网络求解器以及诸如 SCIP 和 Tabu 的经典启发式算法。
引用
@article{arxiv.2505.20972,
title = {Deep k-grouping: An Unsupervised Learning Framework for Combinatorial Optimization on Graphs and Hypergraphs},
author = {Sen Bai and Chunqi Yang and Xin Bai and Xin Zhang and Zhengang Jiang},
journal= {arXiv preprint arXiv:2505.20972},
year = {2025}
}