图上的端到端学习和优化

May, 2019

End to end learning and optimization on graphs

Bryan Wilder, Eric Ewing, Bistra Dilkina, Milind Tambe

TL;DR本文提出了一个基于决策的新颖学习方法，将常见图形优化问题的可微分代理作为学习系统中的一层进行集成，其主要思想是学习一个映射将原始优化问题映射到可以高效差分的简单代理问题。实验结果表明，我们的 ClusterNet 系统胜过纯粹的端到端方法（直接预测最优解）和完全分离学习和优化的标准方法。

Abstract

Real-world applications often combine learning and optimization problems on graphs. For instance, our objective may be to cluster the grap

发现论文，激发创造

GraphOpt 是一种结构形成的图形优化框架，采用最大熵反强化学习算法以及具有可扩展性的连续潜在行动空间，学习隐含的图形目标函数来解释所观察到的图形属性，并在未经训练的情况下实现竞争性链接预测性能。

Jul, 2020

从观测特征中通过预测模型直接学习最优解的方法被提出，该方法是泛化的，基于学习优化范式，能够提供高效、准确和灵活的解决方案给一系列具有挑战性的预测优化问题。

Nov, 2023

介绍了解决图上组合优化问题的现有方法存在的问题，调查了与计算复杂性相关的机器学习研究的发展，并组织和比较了解决组合优化问题的学习结构。

May, 2020

本文介绍了结合强化学习和图嵌入的方法，使用元算法来解决 NP-hard 组合优化问题和图上的最小点集覆盖、最大割和旅行商问题等优化问题。

Apr, 2017

我们的研究工作的重点是通过决策导向的图学习，在组合优化问题中采用神经网络框架，提出了一个更高效和精确的框架。此外，我们引入了一个决策导向的框架，利用图神经网络解决具有辅助支持的组合优化问题。实验结果表明，我们的方法在经典组合优化问题上优于独立的图神经网络方法和传统方法。

Jun, 2024

本文提出了一种基于可扩展序列注意力机制、归纳图神经网络和端到端可转移的深度强化学习方法，用于解决机器学习编译器生成高效机器代码时的图优化问题，并在多个图优化任务中取得显著性能提升。

Oct, 2020

本研究提出使用图论中的线图来解决原始图中的链路预测问题，将链路预测问题转化为其相应的线图的节点分类问题，实验结果表明该方法在不同应用的 14 个数据集上表现优异，同时参数更少，训练效率更高。

Oct, 2020

通过深度学习将机器学习模型与优化算法直接结合，实现决策为导向的学习，从而在解决组合优化问题时取得更好的性能和决策效果。

Sep, 2018

本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

May, 2021

本文介绍一种使用强化学习训练图神经网络求解单人游戏定义的图组合优化问题的新框架，可以处理最小生成树、最短路径、旅行商问题和车辆路径问题等一系列问题，该方法可在线性运行时间内输出近似解，并且能够推广到多种情况，包括 NP 困难的问题和真实世界的图。

Jun, 2020