处理无监督组合优化中的常见条件:基数、最小值、覆盖及其他
机器学习
2024-05-27 v2 最优化与控制
摘要
组合优化(CO)本质上是离散的,这使得基于可微优化的机器学习方法无法直接应用。Karalias & Loukas (2020) 采用概率方法将 CO 纳入可微优化。他们的工作激发了对无监督 CO 的研究,该研究由两个主要部分组成:概率目标和去随机化。然而,每个部分都面临独特的挑战。首先,在各种条件(如基数约束和最小值)下推导目标并非易事。其次,去随机化过程尚未被充分探索,现有的去随机化方法要么是随机采样,要么是朴素舍入。在这项工作中,我们旨在解决无监督 CO 中普遍(即常见)涉及的条件。首先,我们在理论论证的基础上具体化了目标构建和去随机化的目标。然后,针对不同 CO 问题中常见的各种条件,我们推导了非平凡的目标和去随机化方法以满足这些目标。最后,我们将这些推导应用于各种 CO 问题。通过对合成图和真实世界图的广泛实验,我们验证了推导的正确性,并展示了我们在优化质量和速度方面的经验优越性。
引用
@article{arxiv.2405.08424,
title = {Tackling Prevalent Conditions in Unsupervised Combinatorial Optimization: Cardinality, Minimum, Covering, and More},
author = {Fanchen Bu and Hyeonsoo Jo and Soo Yong Lee and Sungsoo Ahn and Kijung Shin},
journal= {arXiv preprint arXiv:2405.08424},
year = {2024}
}
备注
ICML 2024