图着色的强化学习：理解非标签不变表示的能力与局限
机器学习
2024-01-24 v1 人工智能
摘要
寄存器分配是现代编译器最重要的问题之一。面对几乎无限的用户变量和少量的 CPU 寄存器，将变量无冲突地分配到寄存器是一项复杂的任务。本工作展示了如何将寄存器分配问题建模为图着色问题。通过使用 PyTorch 和 OpenAI Gymnasium 环境等技术，我们将证明近端策略优化模型可以学习解决图着色问题。我们还将通过获取图的矩阵表示并对其进行置换，证明图的标签对模型性能至关重要。然后，我们测试模型在这些置换上的有效性，并表明当给定同一张图的重新标记版本时，模型效果不佳。我们的主要贡献在于揭示了机器学习模型需要图的标签重排不变表示才能获得一致的性能。
引用
@article{arxiv.2401.12470,
title = {Reinforcement Learning for Graph Coloring: Understanding the Power and Limits of Non-Label Invariant Representations},
author = {Chase Cummins and Richard Veras},
journal= {arXiv preprint arXiv:2401.12470},
year = {2024}
}