基于图神经网络的实例级算法配置
机器学习
2022-02-11 v1 最优化与控制
摘要
我们提交了针对NeurIPS 2021竞赛“面向组合优化的机器学习（ML4CO）”中配置任务的方案。该配置任务旨在预测开源求解器SCIP的良好配置，以高效求解混合整数线性规划（MILP）。我们将此任务视为一个有监督学习问题：首先，我们为各种配置和所有提供的MILP实例编译了一个求解器性能的大型数据集。其次，我们使用这些数据训练一个图神经网络，该网络学习为特定实例预测一个良好的配置。该提交方案在竞赛的三个问题基准上进行了测试，在隐藏测试实例上，求解器性能相较于默认配置分别提升了12%、35%和8%。我们在全球排行榜上排名第3（共15名），并赢得了学生排行榜。我们的代码已在 \url{https://github.com/RomeoV/ml4co-competition} 上公开。
引用
@article{arxiv.2202.04910,
title = {Instance-wise algorithm configuration with graph neural networks},
author = {Romeo Valentin and Claudio Ferrari and Jérémy Scheurer and Andisheh Amrollahi and Chris Wendler and Max B. Paulus},
journal= {arXiv preprint arXiv:2202.04910},
year = {2022}
}
备注
5 pages, 3 figures