结构化输出空间中组合问题多解之一学习的神经方法
机器学习
2021-04-06 v2 机器学习
摘要
近期研究提出了用于求解结构化输出空间中组合问题的神经架构。在许多此类问题中，给定输入可能存在多个解，例如部分填充的数独谜题可能有多种满足所有约束的完成方式。此外，我们常关注于寻找任一可能解，而不偏好其中某一个。现有方法完全忽略了这种解的多重性。本文中，我们指出对多解存在的忽视会严重损害其训练能力。我们的贡献有两点。首先，我们正式定义了结构化输出空间中组合问题多解之一学习的任务，其适用于求解若干感兴趣的问题，如 N 皇后和数独。其次，我们提出一个通用学习框架，将组合问题的现有预测网络改造以处理解的多重性。我们的框架使用一个选择模块，其目标是针对每个输入动态确定在任何给定学习迭代中最利于训练网络参数的解。我们提出一种基于强化学习（RL）的方法，将选择模块与预测网络联合训练。在三个不同领域并使用两种不同预测网络的实验表明，我们的框架显著提升了该设定下的准确率，相较基线最高获得 21 个百分点的增益。
引用
@article{arxiv.2008.11990,
title = {Neural Learning of One-of-Many Solutions for Combinatorial Problems in Structured Output Spaces},
author = {Yatin Nandwani and Deepanshu Jindal and Mausam and Parag Singla},
journal= {arXiv preprint arXiv:2008.11990},
year = {2021}
}