基于图神经网络的二次分配学习算法修订笔记
本论文研究了通过机器学习解决 NP 困难问题的可行性,指出了训练数据的易变性及其对模型的影响,并提出了改进的方法来适应这个问题。该方法被应用于非线性、非凸、离散组合问题的求解,取得了有效的结果。
Jun, 2021
通过深度强化学习的方法解决 Quadratic Assignment Problem(QAP)的 Koopmans-Beckman 公式,使用双指针网络(double pointer network)在选择下一个设施放置位置和上一个位置放置设施之间交替,并通过 A2C 算法在一系列合成实例上进行模型训练。在样本外测试中,我们的解决方案与高质量的局部搜索基线相比,平均准确率达到了 97.5%,在 1.2% 的实例中表现优于基线。
Oct, 2023
该论文提出了一种面向在线学习的反向优化算法框架,设计了一种隐式更新算法用于处理噪声数据,并证明其具有统计一致性。实验表明,该算法具有很高的精度和鲁棒性,并且在计算效率上比批量学习更具优势。
Oct, 2018
本文研究的是图匹配问题,提出了一种基于学习的方法,用于解决基于图的模式识别问题。通过训练示例和标签,我们可以学习节点与边之间的兼容性,在解决问题时可以取得更好的效果。实验结果表明,该方法比现有算法更为有效。
Jun, 2008
本文探讨了逆问题的数学定义,提出了一种称为 Invertible Neural Networks (INNs) 的神经网络模型,利用预定义的正向过程和额外的 latent output variables 来解决参数估计问题,并在人工数据和实际问题中发现 INN 是解决参数分布分析、寻找多模态和相关性较强的关键性分析工具。
Aug, 2018
本研究证明基于成对交互的概率模型,尤其是伊辛模型,能够准确地描述从神经元到基因等多种真实生物网络实验数据。通过将统计物理和机器学习的思想相融合,我们展示了一种新的反演求解方法,并发展出了针对真实神经元数据的一些有效的求解技巧。我们的算法不仅仅可以在几分钟内学习描述四十个神经元的伊辛模型,而且可以分析更大的数据集,从而验证这些网络的集体行为假设。
Dec, 2007
本文介绍了一种快速的近似二次分配算法(FAQ),能够更高效地在大数据和图值数据上处理 QAP 问题,通过在 C.elegans 连通图匹配案例上的实证表明其优越性。
Dec, 2011