多解正确解的神经算法推理
机器学习
2025-05-13 v4 人工智能
摘要
神经算法推理（NAR）将经典算法扩展到更高维数据。然而，经典的NAR实现仅训练神经网络返回单个解，即使该问题存在多个正确解，如单源最短路径。对于某些应用，恢复多个正确解是有益的。为此，我们提出首个实现多解NAR的方法。我们在两种经典算法上进行演示：Bellman-Ford算法（BF）和深度优先搜索（DFS），侧重于对两种算法的深入理解，而非对广泛算法集合的调查。该方法涉及生成适当的训练数据，以及从模型输出中对解进行采样和验证。我们方法的每个步骤都可作为超越本文所述任务的框架使用，可能对该领域的研究者具有独立的兴趣。我们的结果是NAR文献中首次尝试此类任务。
引用
@article{arxiv.2409.06953,
title = {Neural Algorithmic Reasoning with Multiple Correct Solutions},
author = {Zeno Kujawa and John Poole and Dobrik Georgiev and Danilo Numeroso and Henry Fleischmann and Pietro Liò},
journal= {arXiv preprint arXiv:2409.06953},
year = {2025}
}