ICMLOct, 2020

利用强化学习和图神经网络控制图动态

PDF
TL;DR考虑通过有限的干预来控制动态过程。我们将这个问题表述为关于时间图过程的顺序决策问题，并设计了一个新颖的可行方案来控制时间图上的动态过程。我们成功地将方法应用于两个流行问题：优先考虑哪些节点进行检测以限制疫情传播，以及影响最大化问题。
dynamic processinterventionstemporal graph processprioritizinginfluence maximization
发现论文，激发创造
  • 基于双层优化的图强化学习用于网络控制

    本篇论文提出了一种基于增强学习和图网络的框架来处理优化问题，避免了传统基于优化方法规模不可扩展、启发式算法设计需要大量人工试错等问题，使得算法更加高效和可扩展。作者在真实控制问题中的实验进一步表明了这种方法的优越性。

    May, 2023

  • 使用多头注意力深度强化学习解决动态图问题

    本文提出一种名为 Graph Temporal Attention with Reinforcement Learning (GTA-RL) 的新型框架，针对动态组合优化问题学习启发式解决方案。该框架结构包括一个能够嵌入组合问题实例的时间特征的编码器和一个能够动态聚焦于嵌入特征以找到所需组合问题实例的解码器，并针对实时版本组合优化问题进行了扩展。实验证明，与现有方法相比，该方法在动态和实时图组合优化方面具有更高的效率和优化求解器的有效性。

    Jan, 2022

  • 深度强化学习与协作图神经网络在疫苗优先级排序中的应用

    本文探讨了在供应有限的情况下通过疫苗优先策略来减轻疫情总负担的方法，利用 Trans-vaccine-SEIR 模型模拟疾病演化过程，结合图神经网络和深度强化学习找到最优疫苗分配策略，实验发现相较于基线策略，该框架可将感染和死亡降低 7%-10%，且能针对具有多样性的微观级疾病演化系统寻找最优解。研究结果对于疫苗供应有限和物流效率低下的区域提供了有价值的见解。

    May, 2023

  • 基于图神经网络的分散式控制器

    本文提出一种利用图网络来从数据中学习去中心化控制器的框架，通过解决群聚问题展示了其在动力学系统中的应用潜力。

    Mar, 2020

  • 通过自适应图形的无线网络中的多智能体强化学习功率控制

    无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

    Nov, 2023

  • 基于图的强化学习在时间序列预测中的应用

    本研究提出了一种使用图神经网络（GNN）和强化学习（RL）监控的新方法来预测时间序列数据。该方法将数据的图结构与模型明确地结合起来，能更自然地捕捉时间依赖关系，对于医疗、交通和天气预测等复杂时间结构中的精准预测具有优势，同时通过贝叶斯优化技术对图神经网络模型进行了进一步优化，提出的框架在时间序列预测和监控方面优于基准模型，证明了 GraphRL 在动态强化学习环境中提供准确和高效预测的潜力。

    Sep, 2023

  • 摊销网络干预以引导兴奋性的点过程

    我们通过神经 ODE 来捕捉网络激发点过程随着网络拓扑的时变变化的演变，能够灵活适应先验知识和约束条件的基于模型的强化学习，设计了 pooling 最佳策略并确保一个置换等效属性的 ANI 框架，实现了知识的高效转移和共享，从而解决了大规模网络干预的挑战，并具有应对重要社会和环境挑战的潜力。

    Oct, 2023

  • 基于分层强化学习的未知网络传播控制方法

    本文提出了一种层次式强化学习方法，通过在未知的网络结构下移除节点，有效控制危险事件的传播。模拟实验证明了我们的方法相比基准方法的优越性，尽管我们的方法对网络结构没有先验信息，而基准方法具有丰富的网络结构知识。

    Aug, 2023

  • 强结构可控性的最小化控制输入：基于图神经网络的强化学习

    通过图论条件的强结构可控性，我们将图着色过程视为马尔可夫决策过程，并利用表示图颜色信息的有向图神经网络进行优化，验证了我们的方法在真实数据和不同复杂网络模型的社会影响网络中的有效性。我们发现输入节点的数量由网络的平均度确定，并且输入节点倾向于选择入度较低的节点，避免选择度数较高的节点。

    Feb, 2024

  • 封建图强化学习

    使用封建式的强化学习方法，通过分层的图表示来控制具有不同结构的物理代理，并在基准环境中证明框架的概念及其在标准基准和零点转移学习设置方面的良好结果。

    Apr, 2023