Jan, 2022

使用多头注意力深度强化学习解决动态图问题

PDF
TL;DR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。
graph problemsdynamic combinatorial optimizationdeep learningheuristic solutionsreinforcement learning
发现论文，激发创造
  • 基于深度强化学习的几何问题求解中引入图注意机制

    在在线教育领域，设计一个几何问题的自动求解器被认为是通往普适数学人工智能的关键一步。本研究提出了一种基于深度强化学习框架的图形注意力机制和 BERT 等语言模型的算法 A3C-RL，通过在特定空间中选择最佳策略，显著提高了准确性和效率，并在中国高考几何问题上超越了人类的表现。

    Mar, 2024

  • 在图上学习组合优化算法

    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

  • 动态关注模型的深度强化学习算法在车辆路径问题中的应用

    利用动态编码器 - 解码器结构的动态关注模型来更好地解决车辆路径问题，并显示出良好的泛化性能。

    Feb, 2020

  • 线性时间内学习在实际图中求解组合优化问题

    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

  • 利用强化学习和图神经网络控制图动态

    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。

    Oct, 2020

  • 带时序注意力图神经网络的精确组合优化

    通过替换启发式成分，结合机器学习算法的时间特征与注意力机制，优化了组合优化求解器在变量选择方面的性能。

    Nov, 2023

  • 图卷积网络与引导树搜索的组合优化

    文章提出一种基于深度学习和启发式算法的图卷积网络方法，用于解决某些 NP 困难问题，并在四个 NP 困难问题和五个数据集上进行了评估，结果表明该方法在某些 NP 困难问题上已经达到了高度优化的最新启发式算法的水平，并具有较强的泛化性和扩展性。

    Oct, 2018

  • 通过深度强化学习在大规模图上学习启发式算法

    本文介绍了一种名为 GCOMB 的框架，利用概率贪心机制通过训练图卷积网络 (GCN) 预测一个节点的质量，以此解决图上的组合问题。实验表明，GCOMB 比学术界最先进的组合算法快 100 倍、质量略高。此外，GCOMB 在实际的 Influence Maximization（IM）组合问题上也展现了强大的性能。

    Mar, 2019

  • 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

  • 基于注意力机制的时间知识图谱推理的自适应强化学习

    提出了一种基于注意力机制的自适应强化学习模型 (DREAM)，该模型可有效进行缺失元素预测和多跳推理，并展现了其在公开数据集上的卓越性能。

    Apr, 2023