Jan, 2022

GLAN: 基于图的线性分配网络

PDF
TL;DR本文提出了一种可学习的线性分配求解器，基于深度图网络实现，将费用矩阵转换为二分图，并通过节点和边的特征聚合和更新来选择可靠边，实验结果表明，与现有算法相比，该方法在保证准确性的前提下，能有效提高处理规模。此外，该分配求解器在多目标跟踪领域有着广泛的应用。
linear assignment problemdeep graph networksmulti-object trackingoptimalitylearnable solver
发现论文，激发创造
  • LANS: 平面几何问题的布局感知神经求解器

    本文提出了一种名为 LANS 的布局感知神经求解器，集成了两个新模块：多模态布局感知预训练语言模型 (MLA-PLM) 和布局感知融合注意力 (LA-FA)，通过全局关系建模和对齐来实现布局感知，并通过布局感知注意力实现点导向的跨模态融合，该求解器在几何数据集上的实验证明了布局感知模块的有效性和超越现有符号求解器和神经求解器的问题求解性能。

    Nov, 2023

  • 可学习的图匹配：将图分割与深度特征学习结合用于多目标跟踪

    本文提出一种新的学习可伸缩图匹配方法，用于解决目前多目标跟踪（MOT）任务中的数据关联问题，该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异，同时在多项标准 MOT 数据集上取得了最先进的性能。

    Mar, 2021

  • 广义分配问题的深度无监督学习：无线网络中用户关联的案例研究

    使用深度无监督学习方法（DUL）来解决无线通信领域中的资源分配问题，该方法通过使用自定义的损失函数对深度神经网络进行训练。结果表明，使用该方法可以在更短的时间内获得接近最优解的结果。

    Mar, 2021

  • LASS: 一个使用拉普拉斯平滑的简单分配模型

    本文提出了一种基于相似度矩阵的软分配学习模型，使用二次规划方法求解，兼具半监督学习的特点，通过交替方向乘法算法得到训练算法。该模型适用于物品自然归属于多个类别或类别之间有复杂交互的情况，例如关键词或标签的注释。

    May, 2014

  • 探索图神经网络求解线性优化问题的能力

    机器学习中的消息传递图神经网络（MPNNs）可以模拟线性优化问题和组合优化问题，提高解决难解优化问题的效率。

    Oct, 2023

  • 集成二次分配网络用于图匹配

    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

  • Lean Algebraic Multigrid (LAMG): 快速图拉普拉斯线性求解器

    论文介绍了一种名为 LAMG 的算法，它使用高效的多重网格循环算法解决了图拉普拉斯矩阵的线性系统，可适用于适应各种大小和结构的图的求解问题。

    Jul, 2011

  • GAP: 通用的近似图分区框架

    本研究提出了基于深度学习的 GAP 框架来解决节点分割问题。通过定义不同 iable 损失函数以及利用反向传播来优化网络参数，实现基于图结构的节点分割。相较于传统的分割方法，GAP 不仅更快，并且具有良好的扩展性能力，可适用于不同的图结构，并可推广到未知的图形结构上。研究表明，GAP 能够取得与传统分割方式相媲美的结果。

    Mar, 2019

  • 神经图匹配网络：学习 Lawler 的二次分配问题，并扩展到超图和多图匹配

    本篇论文提出了一种利用权值矩阵进行学习的网络来解决 Quadratic Assignment Problem (QAP) 及图匹配的问题，该模型利用嵌入网络对顶点进行分类，并通过 Sinkhorn 归一化和交叉熵损失进行端到端的学习。实验结果表明，该方法在合成数据和现实图像上均取得了很好的效果。

    Nov, 2019

  • 网络套索：大型图中的聚类和优化

    本文介绍了基于交替方向乘子法的分布式可扩展解决网络套索问题的算法，在图形数据上进行聚类和优化，比对了基准方法并表明其是在解决大型优化问题中既快速又准确的方法。

    Jul, 2015