学习选择MCP算法：从传统机器学习到双通道GAT-MLP
机器学习
2025-12-09 v3 人工智能
摘要
最大团问题 (MCP) 是一个基础且具有广泛应用的NP难问题，但没有任何单个算法在各种图实例上都能持续超越其他算法。这凸显了实例感知算法选择的关键需求，而这一领域对于MCP而言仍 largely 未被探索。为此，我们提出了一种新型基于学习的框架，将传统机器学习与图神经网络相结合。我们首先通过在多样化图集合上执行四种最先进的精确MCP求解器，并提取其结构特征来构建基准数据集。评估传统分类器后确定Random Forest作为强基准，并发现连通性和拓扑特征是性能预测的关键因素。基于这些洞见，我们开发了GAT-MLP，一种双通道模型，将图注意力网络 (GAT) 用于编码局部图结构，同时使用多层感知器 (MLP) 建模全局特征。大量实验表明，GAT-MLP取得了优异且一致的性能，显著优于所有基准方法。我们的结果凸显了双通道架构的有效性以及图神经网络在组合算法选择方面的前景，在选择最优求解器方面实现了90.43%的准确率。代码和模型已公开于：https://anonymous.4open.science/r/GAT-MLP-7E5F。
引用
@article{arxiv.2508.08005,
title = {Learning to Select MCP Algorithms: From Traditional ML to Dual-Channel GAT-MLP},
author = {Xiang Li and Shanshan Wang and Chenglong Xiao},
journal= {arXiv preprint arXiv:2508.08005},
year = {2025}
}
备注
11 pages, 8 figures