DOGE-Train：基于端到端训练的 GPU 离散优化
机器学习
2024-01-01 v2 最优化与控制
摘要
我们提出一种快速、可扩展、数据驱动的方法，用于求解 0-1 整数线性规划松弛问题。我们结合了图神经网络（GNN）与基于 Lagrange 分解的算法 FastDOG（Abbas 和 Swoboda 2022b）。我们使后者可微以进行端到端训练，并使用 GNN 预测其算法参数。这得以在通过训练改进算法的同时保留其理论性质，包括对偶可行性与下界不降的保证。我们通过额外的非参数 GNN 更新步骤克服基础求解器的次优不动点，同时保持对偶可行性。训练采用无监督损失。我们在较小问题上训练并在较大问题上测试，显示出强大的泛化性能，所用 GNN 仅约含 个参数。我们的求解器相比其非学习版本实现了显著更快的性能与更好的对偶目标，在非常大的结构化预测问题及部分组合问题的 LP 松弛上取得了接近最优的目标值。特别地，相比特定问题类的专用近似求解器，我们在保持其效率的同时取得了更好的目标值。与商业求解器相比，我们的求解器在长时间段内具有更好的任意时刻性能。代码见 https://github.com/LPMP/BDD
引用
@article{arxiv.2205.11638,
title = {DOGE-Train: Discrete Optimization on GPU with End-to-end Training},
author = {Ahmed Abbas and Paul Swoboda},
journal= {arXiv preprint arXiv:2205.11638},
year = {2024}
}
备注
AAAI 2024. Alert before printing: pg. 16-20 only contain per instance results, can possibly be skipped