神经双分图匹配
通过在算法空间中训练 Graph Neural Networks 来解决基于图结构的问题,使用基于最大化的信息传递神经网络来实现离散决策,同时实现了任务迁移并提升学习效果。
Oct, 2019
本文研究了神经算法推理与图神经网络的最新进展,特别关注神经网络的动态规划以及范畴论和抽象代数,验证了它们之间的内在联系,得到在边缘任务上更坚实的 GNN 体系结构,并在 CLRS 算法推理基准测试中证明了实证结果。
Mar, 2022
本文提出了两个关键性贡献:首先是演示了图神经网络如何训练并嵌入向量空间,以便有效地进行相似性推理;其次是提出了一种新的图匹配网络模型,通过新的跨图注意力匹配机制,在一对图之间共同推理,计算它们之间的相似度得分。在不同领域的实验分析表明,本文提出的模型不仅能够在相似性学习的上下文中利用结构,而且能够优于针对此类问题精心设计的基线系统。
Apr, 2019
图神经网络在解决节点分类、图分类和链接预测等任务方面取得了巨大成功。然而,将图神经网络和机器学习应用于组合优化问题的研究相对较少。本文引入了一种新颖的图神经网络架构,利用复杂的滤波器组和局部化注意机制来解决图上的组合优化问题。我们展示了我们的方法如何与以往基于图神经网络的组合优化求解器区别开来,并在自监督学习设置下有效地应用于最大团、最小支配集和最大割问题。除了证明在各项任务上具有竞争力的整体性能外,我们还为最大割问题建立了最新的研究结果。
May, 2024
本文提出了一个设计用于二部图的新型图神经网络(GNN)WeaveNet,它通过保留边信息并密集传递消息来解决匹配问题,该模型在解决有限代理数量的公平稳定匹配问题上达到了与专门设计的优秀算法相媲美的性能。
Oct, 2023
研究表明图神经网络能够有效地表示和学习基于混合整数线性规划的解决策略,其中包括强分支评分。另外,该研究还证明第二阶基因网络结构能够以高准确率和高概率近似强分支评分。
Feb, 2024
在线贝叶斯二分匹配问题是数字市场和交易所中的一个核心问题,我们引入了一种图神经网络(GNN)方法,模拟了该问题的组合复杂的最优在线算法,通过计算每个动作的 VTG(value-to-go)来选择动作(例如,匹配哪些节点),然后在未来以最佳方式行动。我们训练了一个 GNN 来估计 VTG,并从实证上显示,这个 GNN 在各种任务中返回高权重的匹配。此外,我们在空间众包应用中鉴定了一类常见的图分布,例如拼车,其中 VTG 可以通过在图中的局部邻域内聚合信息进行有效的近似。这种结构符合 GNN 的局部行为,为我们的方法提供了理论上的依据。
Jun, 2024
本文比较了基于强化学习和进化算法的两种神经架构搜索方法来优化图神经网络,结果在包括 7 个数据集的两个搜索空间内显示出两种方法的准确性与随机搜索相似,引出了有多少搜索空间维度实际上与问题相关的问题。
Jul, 2020
通过图神经网络结合数据驱动和传统方法,该研究提出了一种解决图匹配问题的模型,该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用,并在几个任务上得到了显著的性能提升。
Mar, 2024