攻克 GNARLy 难题：通过强化学习重新构想图神经算法推理
机器学习
2026-01-30 v2 人工智能
摘要
神经算法推理（NAR）是一种通过监督学习训练神经网络执行经典算法的范式。尽管取得了成功，但仍存在重要的局限性：无法在没有后处理的情况下构造有效解、无法对多个正确解进行推理、在组合 NP 难问题上性能较差，以及不适用于尚无强算法已知的问题。为了解决这些局限性，我们将学习算法轨迹的问题重构为马尔可夫决策过程，这为解的构造过程施加了结构，并解锁了模仿学习和强化学习（RL）的强大工具。我们提出了 GNARL 框架，包含将问题表述从 NAR 转换为 RL 的方法论，以及适用于广泛图基问题的学习架构。我们在多个 CLRS-30 问题上取得了极高的图准确率结果，在 NP 难问题上性能匹配或超越了范围更窄的 NAR 方法，且值得注意的是，即使在缺乏专家算法时也具有适用性。
引用
@article{arxiv.2509.18930,
title = {Tackling GNARLy Problems: Graph Neural Algorithmic Reasoning Reimagined through Reinforcement Learning},
author = {Alex Schutz and Victor-Alexandru Darvariu and Efimia Panagiotaki and Bruno Lacerda and Nick Hawes},
journal= {arXiv preprint arXiv:2509.18930},
year = {2026}
}