ML4CO：GCNN 是否足矣？图卷积神经网络在组合优化问题上若恰当调参与训练且数据适宜则可产生强基线
机器学习
2021-12-24 v1 人工智能
离散数学
神经与进化计算
摘要
2021 年 NeurIPS 机器学习用于组合优化（ML4CO）竞赛旨在通过将关键启发式组件替换为机器学习模型来改进最先进的组合优化求解器。该竞赛的主要科学问题如下：当有历史数据可用时，机器学习是否是针对特定问题分布改进传统组合优化求解器的可行选项？其动机在于，在许多实际场景中，组合优化问题重复之间数据仅轻微变化，而这正是机器学习模型尤其擅长的领域。本文总结了华为 EI-OROAS 团队在竞赛对偶任务中的解决方案与经验教训。我们团队的提交在最终排名中位列第二，与第一名差距极小。此外，在最终评估前的数次每周排行榜更新中，我们的方案持续排名第一。我们提供了从大量实验中获得的见解，并论证一个简单的图卷积神经网络（GCNNs）若得到恰当训练与调参，即可达到最先进结果。
引用
@article{arxiv.2112.12251,
title = {ML4CO: Is GCNN All You Need? Graph Convolutional Neural Networks Produce Strong Baselines For Combinatorial Optimization Problems, If Tuned and Trained Properly, on Appropriate Data},
author = {Amin Banitalebi-Dehkordi and Yong Zhang},
journal= {arXiv preprint arXiv:2112.12251},
year = {2021}
}
备注
Runner-up in the 2021 ML4CO NeurIPS Competition