通过深度强化学习在大型图上学习启发式
机器学习
2020-12-04 v5 人工智能
机器学习
摘要
通过机器学习发现图上组合问题的启发式方法引起了越来越多的兴趣。虽然现有技术主要集中在获得高质量解上，但对十亿规模图的可扩展性尚未得到充分解决。此外，许多实际场景中必需的预算约束的影响仍有待研究。在本文中，我们提出了一个名为 GCOMB 的框架来弥合这些差距。GCOMB 使用一种新颖的概率贪心机制训练图卷积网络（GCN）来预测节点的质量。为进一步促进问题的组合性质，GCOMB 利用 Q-learning 框架，并通过重要性采样提高效率。我们在真实图上进行了大量实验以评估 GCOMB 的效率和有效性。我们的结果表明，对于学习组合算法，GCOMB 比最先进算法快 100 倍，且质量略优。此外，在影响力最大化（IM）这一实际组合问题上的案例研究表明，GCOMB 比专用 IM 算法 IMM 快 150 倍，且质量相似。
引用
@article{arxiv.1903.03332,
title = {Learning Heuristics over Large Graphs via Deep Reinforcement Learning},
author = {Sahil Manchanda and Akash Mittal and Anuj Dhawan and Sourav Medya and Sayan Ranu and Ambuj Singh},
journal= {arXiv preprint arXiv:1903.03332},
year = {2020}
}
备注
To appear in NeurIPS 2020 https://papers.nips.cc/paper/2020/hash/e7532dbeff7ef901f2e70daacb3f452d-Abstract.html