面向k-plex提取的分支定界算法计算界的学习
数据结构与算法
2022-08-12 v1
摘要
k-plex 是网络中社区的一个代表性定义。尽管团过于僵硬而难以应用于实际情形，k-plex 放宽了团的概念，允许每个节点缺失至多 k 个连接。尽管 k-plex 比团更灵活，但由于其数量更多，寻找它们更具挑战性。本文中，我们旨在规模与时间约束下检测 k-plex，借助自动化学习定界策略的新视角。我们引入约束学习概念，从分支定界过程中学习定界策略，并将其发展为一个混合整数规划框架。虽然多数工作致力于学习分支定界类算法中的分支策略，我们聚焦于学习定界策略，其需要处理所学策略可能未检验可行解的问题。我们采用 MILP 框架并设计一组与 k-plex 性质相关的变量作为约束空间以学习该策略。该学习定界策略通过学习原策略函数，也降低了定界过程的计算负载以加速分支定界算法。需注意，学习定界概念可应用于任意具备适当框架的分支定界类算法。我们在不同网络上进行了实验，结果表明我们的学习分支与定界方法确实加速了原分支定界方法并优于其他基线，同时也能在不同图性质上泛化。
引用
@article{arxiv.2208.05763,
title = {Learning Computation Bounds for Branch-and-Bound Algorithms to k-plex Extraction},
author = {Yun-Ya Huang and Chih-Ya Shen},
journal= {arXiv preprint arXiv:2208.05763},
year = {2022}
}