Yordle：一种用于分支定界的高效模仿学习框架
最优化与控制
2022-02-22 v2 人工智能
机器学习
摘要
组合优化问题因其巨大的应用潜力而引起了广泛的研究兴趣。在实践中，求解组合优化问题的过程中存在高度冗余的模式与特征，这些可被机器学习模型所捕捉。因此，2021年NeurIPS机器学习用于组合优化（ML4CO）竞赛旨在通过将关键启发式组件替换为机器学习技术来改进最先进的组合优化求解器。本工作介绍了qqy团队在竞赛对偶任务中的解决方案与见解。我们的解决方案是一个用于提升分支定界（B&B）性能的的高效模仿学习框架，名为Yordle。它采用混合采样方法与高效数据选择方法，不仅加速了模型训练，还改善了分支变量选择过程中的决策质量。在我们的实验中，Yordle大幅优于竞赛采用的基线算法，同时训练决策模型所需的时间和的数据量显著更少。具体而言，我们仅使用了基线算法所需数据量的1/4，便取得了比基线算法高约50%的分数。所提出的Yordle框架赢得了学生排行榜的冠军。
引用
@article{arxiv.2202.01896,
title = {Yordle: An Efficient Imitation Learning for Branch and Bound},
author = {Qingyu Qu and Xijun Li and Yunfan Zhou},
journal= {arXiv preprint arXiv:2202.01896},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2201.06213