通过高效探索学习求解组合图划分问题
机器学习
2022-05-30 v1 人工智能
摘要
从物流到自然科学，图上的组合优化支撑着众多现实世界应用。强化学习（RL）在此场景下展现出特别的前景，因为它能适应特定问题结构，且不需要为这些通常 NP 难的问题提供预求解实例。然而，最先进（SOTA）方法通常存在严重的可扩展性问题，主要源于其在每个决策步骤依赖昂贵的图神经网络（GNN）。我们引入 ECORD；一种新颖的 RL 算法，其通过将 GNN 限制于单一预处理步骤，随后进入由循环单元引导的快速行动探索阶段，从而缓解该开销。实验上，ECORD 在最大割（Maximum Cut）问题上实现了 RL 算法的新 SOTA，同时提供数量级的速度与可扩展性提升。与最接近的竞争者相比，ECORD 在 500 顶点图上将最优性差距最多减少 73%，且时钟时间更短。此外，ECORD 在泛化到多达 10000 个顶点的更大图时仍保持强劲性能。
引用
@article{arxiv.2205.14105,
title = {Learning to Solve Combinatorial Graph Partitioning Problems via Efficient Exploration},
author = {Thomas D. Barrett and Christopher W. F. Parsonson and Alexandre Laterre},
journal= {arXiv preprint arXiv:2205.14105},
year = {2022}
}