基于图卷积策略与强化学习启发式求解树分解
机器学习
2020-12-08 v2 机器学习
摘要
我们提出一种基于强化学习（Reinforcement Learning）的方法来近似求解树分解（TD）问题。TD 是一个组合问题，对图子式结构与计算复杂性的分析至关重要，也用于概率推断、寄存器分配等实际任务的算法中。近期研究表明，组合问题可借由学习得到的启发式 successively 求解。然而，现有工作大多未涉及基于学习的解的泛化问题。我们的模型基于图卷积神经网络（GCN）学习图表示。我们展示了基于 GCN 构建、并使用 Actor-Critic 方法在单一图上训练的智能体，能高效泛化至真实世界的 TD 问题实例。我们证实，我们的方法能从小图（其 TD 可由精确算法求得）成功泛化至具有实际意义的大实例，同时仍具有极低的求解时间。另一方面，该基于智能体的方法在解的质量上超越了所有贪婪启发式。
引用
@article{arxiv.1910.08371,
title = {Graph Convolutional Policy for Solving Tree Decomposition via Reinforcement Learning Heuristics},
author = {Taras Khakhulin and Roman Schutski and Ivan Oseledets},
journal= {arXiv preprint arXiv:1910.08371},
year = {2020}
}
备注
8 pages, 7 figures