基于协同训练架构学习求解加权最大可满足性
机器学习
2025-11-26 v1
摘要
我们提出了 SplitGNN，一种基于图神经网络（GNN）的方法，用于学习求解加权最大可满足性（MaxSAT）问题。SplitGNN 包含一个由监督消息传递机制和无监督解增强层组成的协同训练架构。一种新的图表示——边分裂因子图被提出，以提供更多的结构信息用于学习，该表示基于生成树生成和边分类。为了提高在具有挑战性和加权实例上的解，我们实现了一个 GPU 加速层，应用高效的评分计算和基于松弛的优化。实验表明，SplitGNN 相比其他 GNN 架构实现了 3 倍的更快收敛和更好的预测。更值得注意的是，SplitGNN 成功地在更大更难的加权 MaxSAT 基准测试上找到了超越现代启发式 MaxSAT 求解器的解，并在多样化的结构实例上展现了卓越的泛化能力。
引用
@article{arxiv.2511.19544,
title = {Learning to Solve Weighted Maximum Satisfiability with a Co-Training Architecture},
author = {Kaidi Wan and Minghao Liu and Yong Lai},
journal= {arXiv preprint arXiv:2511.19544},
year = {2025}
}
备注
10 pages, 4 figures