MAGNOLIA: 基于图神经网络的在线价值逼近匹配算法
机器学习
2024-06-21 v2 数据结构与算法
摘要
在线贝叶斯二分匹配是数字市场和交易平台（包括广告、众包、拼车和肾脏交换）中的一个核心问题。我们引入了一种图神经网络(GNN)方法，该方法模拟了该问题组合复杂的在线最优算法，该算法通过计算每个动作的价值(VTG)——即如果算法采取该动作并在未来最优地行动，最终匹配的期望权重——来选择动作（例如，匹配哪些节点）。我们训练一个GNN来估计VTG，并经验性地表明，该GNN在各种任务中都能返回高权重的匹配。此外，我们识别了空间众包应用（如拼车）中常见的一类图分布，在这些分布下，VTG可以通过聚合图中局部邻域内的信息来高效逼近。这种结构与GNN的局部行为相匹配，为我们的方法提供了理论依据。
引用
@article{arxiv.2406.05959,
title = {MAGNOLIA: Matching Algorithms via GNNs for Online Value-to-go Approximation},
author = {Alexandre Hayderi and Amin Saberi and Ellen Vitercik and Anders Wikum},
journal= {arXiv preprint arXiv:2406.05959},
year = {2024}
}
备注
Accepted to ICML 2024; Hardness result from introduction made precise