学习延迟决策以求解最大独立集
机器学习
2020-06-30 v2 机器学习
摘要
设计高效的组合优化算法在各种科学领域中普遍存在。近来，深度强化学习（DRL）框架作为一种新方法获得了相当多的关注：它们可以自动化求解器的设计，同时较少依赖目标问题的复杂领域知识。然而，现有 DRL 求解器使用与解中元素数量成比例的多个阶段来确定解，这严重限制了它们对大规模图的适用性。在本文中，我们旨在通过提出一种新颖的 DRL 方案，称为学习延迟决策（LwD），来解决此问题，其中智能体通过学习在每个阶段分配解的元素级决策，自适应地收缩或伸展阶段数量。我们将所提框架应用于最大独立集（MIS）问题，并展示了其相对于当前最先进 DRL 方案的显著改进。我们还表明，在有限时间预算下，LwD 在具有数百万个顶点的大规模图上可以胜过传统的 MIS 求解器。
引用
@article{arxiv.2006.09607,
title = {Learning What to Defer for Maximum Independent Sets},
author = {Sungsoo Ahn and Younggyo Seo and Jinwoo Shin},
journal= {arXiv preprint arXiv:2006.09607},
year = {2020}
}
备注
Added section for acknowledgment