基于图神经网络的二次二元优化

我们研究了图神经网络（GNN）与二次无约束二元优化（QUBO）问题之间的联系，为 GNN 近似求解这些计算上具有挑战性的任务奠定了基础。通过分析 QUBO 公式的敏感性，我们将 QUBO 问题的求解构建为异配节点分类任务。然后，我们提出了 QUBO-GNN，这是一种将图表示学习技术与 QUBO 感知特征相集成的架构，旨在高效地近似求解。此外，我们引入了一种自监督数据生成机制，即使对于大规模 QUBO 实例，也能实现高效且可扩展的训练数据获取。对 QUBO-GNN 在不同 QUBO 问题规模下的实验评估表明，其性能优于穷举搜索和启发式方法。最后，我们讨论了 QUBO 优化与基于 GNN 的学习这一新兴交叉领域中的开放性挑战。