超越 TSP 的神经组合优化：现有架构对图结构的表征不足
人工智能
2022-01-04 v1 机器学习
网络与互联网体系结构
摘要
近年来，强化学习结合图神经网络（GNN）架构有望学会求解困难的组合优化问题：给定原始输入数据与引导过程的评估器，其思想是自动学习一个能够返回可行且高质量输出的策略。近期工作展示了有前景的结果，但后者主要在旅行商问题（TSP）及类似抽象变体如分割配送车辆路径问题（SDVRP）上评估。在本文中，我们分析近期神经架构能否及如何应用于具有实际重要性的图问题。为此，我们系统地将这些架构“迁移”至功率与信道分配问题（PCAP），其对例如无线网络的无线资源分配具有实际意义。我们的实验结果表明，现有架构（i）仍无法捕捉图结构特征，且（ii）不适用于图上动作会改变图属性的问题。从积极的一面，我们展示用距离编码（Distance Encoding）增强问题的结构表示，是朝向仍具雄心的学习多用途自主求解器目标的有希望的一步。
引用
@article{arxiv.2201.00668,
title = {Neural combinatorial optimization beyond the TSP: Existing architectures under-represent graph structure},
author = {Matteo Boffa and Zied Ben Houidi and Jonatan Krolikowski and Dario Rossi},
journal= {arXiv preprint arXiv:2201.00668},
year = {2022}
}
备注
8 pages, 7 figures, accepted at AAAI'22 GCLR 2022 workshop on Graphs and more Complex structures for Learning and Reasoning