让流来说话：用 GFlowNets 求解图组合优化问题
机器学习
2023-11-21 v3 人工智能
离散数学
机器学习
摘要
组合优化（CO）问题通常是 NP 难的，因此精确算法难以求解，这使其成为应用机器学习方法的诱人领域。这些问题中高度结构化的约束会阻碍在解空间中的直接优化或采样。另一方面，GFlowNets 近期作为一种强大机制涌现，可高效地按序从复合非归一化密度中采样，并有望在 CO 中摊销此类解搜索过程，以及生成多样的解候选。在本文中，我们为不同组合问题设计马尔可夫决策过程（MDPs），并提议训练条件 GFlowNets 从解空间中采样。我们还开发了高效的训练技术以惠及长程信用分配。通过对具有合成和真实数据的多种不同 CO 任务的广泛实验，我们证明 GFlowNet 策略能高效找到高质量解。我们的实现开源见于 https://github.com/zdhNarsil/GFlowNet-CombOpt。
引用
@article{arxiv.2305.17010,
title = {Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets},
author = {Dinghuai Zhang and Hanjun Dai and Nikolay Malkin and Aaron Courville and Yoshua Bengio and Ling Pan},
journal= {arXiv preprint arXiv:2305.17010},
year = {2023}
}
备注
Accepted by NeurIPS 2023 as spotlight