回应：现代图神经网络在求解最大独立集等组合优化问题上表现不如经典贪心算法
无序系统与神经网络
2023-02-08 v1 人工智能
机器学习
最优化与控制
量子物理
摘要
我们对 Chiara Angelini 与 Federico Ricci-Tersenghi 所写评论 [arXiv:2206.13211] 作出全面回应，并指出该评论挑出某一个特定的非代表性示例问题，完全聚焦于稀疏图上的最大独立集（MIS），而贪心算法在此类问题上预期表现良好。相反，我们强调原工作背后更广泛的算法发展，并（在原框架内）提供额外数值结果，显示相较原结果有可观改进，从而驳斥评论中的性能论断。我们还提供表明运行时间缩放优于 Angelini 与 Ricci-Tersenghi 所给结果的结果。进而，我们表明所提随机d-正则图集合并未提供通用的基准实例集，贪心启发式亦未提供通用算法基线。最后，我们认为图神经网络的内部（并行）机理与贪心算法的（顺序）本质截然不同，并强调图神经网络已展现出相较并行回火等现有启发式更优可扩展性的潜力。我们以讨论工作的概念新颖性并概述若干潜在扩展作结。
引用
@article{arxiv.2302.03602,
title = {Reply to: Modern graph neural networks do worse than classical greedy algorithms in solving combinatorial optimization problems like maximum independent set},
author = {Martin J. A. Schuetz and J. Kyle Brubaker and Helmut G. Katzgraber},
journal= {arXiv preprint arXiv:2302.03602},
year = {2023}
}
备注
Manuscript: 3 pages, 2 figures