关于无监督学习中旅行推销员问题的尺度与硬度泛化
人工智能
2024-11-20 v2 机器学习
摘要
我们研究了无监督学习在解决旅行推销员问题 (TSP) 中的泛化能力。我们使用经过 surrogate loss 函数训练的图神经网络 (GNN) 为每个节点生成嵌入。我们利用这些嵌入构建热力图，以指示每条边被纳入最优路径的可能性。我们随后应用局部搜索以生成最终预测。我们的研究探讨了不同的训练实例大小、嵌入维度和分布如何影响无监督学习方法的结果。我们的结果表明，训练时使用更大的实例大小和增加嵌入维度可以构建更有效的表示，从而增强模型解决 TSP 的能力。此外，在评估不同分布中的泛化能力时，我们首先确定各种分布的难度，并探讨不同难度如何影响最终结果。我们的发现表明，训练于更难实例的模型在泛化能力方面表现更好，这突显了在使用无监督学习解决 TSP 时选择合适训练实例的重要性。
引用
@article{arxiv.2403.20212,
title = {On Size and Hardness Generalization in Unsupervised Learning for the Travelling Salesman Problem},
author = {Yimeng Min and Carla P. Gomes},
journal= {arXiv preprint arXiv:2403.20212},
year = {2024}
}