一个模型，任意 CSP：图神经网络作为约束满足问题的快速全局搜索启发式方法
人工智能
2022-08-23 v1 机器学习
神经与进化计算
摘要
我们提出了一种通用的图神经网络架构，可训练为针对任意约束满足问题（CSP）的端到端搜索启发式方法。我们的架构可以通过策略梯度下降进行无监督训练，以纯数据驱动的方式为任意 CSP 生成特定问题的启发式方法。该方法基于一种新颖的 CSP 图表示，该表示既通用又紧凑，使我们能够用一个 GNN 处理每一个可能的 CSP 实例，而不管约束元数、关系或域大小如何。与之前基于强化学习的方法不同，我们在全局搜索动作空间上操作，并允许我们的 GNN 在随机搜索的每一步中修改任意数量的变量。这使得我们的方法能够恰当地利用 GNN 固有的并行性。我们进行了彻底的实证评估，从随机数据中为众所周知且重要的 CSP 学习启发式方法，包括图着色、MaxCut、3-SAT 和 MAX-k-SAT。我们的方法大幅优于先前的神经组合优化方法。它能够在比训练期间所见实例在规模上大几个数量级且结构上更为复杂的测试实例上，与传统搜索启发式方法竞争甚至超越它们。
引用
@article{arxiv.2208.10227,
title = {One Model, Any CSP: Graph Neural Networks as Fast Global Search Heuristics for Constraint Satisfaction},
author = {Jan Tönshoff and Berke Kisin and Jakob Lindner and Martin Grohe},
journal= {arXiv preprint arXiv:2208.10227},
year = {2022}
}