具有 GFlowNets 的强健调度
本文提出了利用 GFlowNets 与 Markov 决策过程相结合的方法,通过训练条件 GFlowNets 来采样解空间,并通过各种合成数据和真实数据模拟多种不同的组合问题。通过大量实验证明,GFlowNet 策略可以高效地找到高质量解。
May, 2023
本文介绍了基于 GFlowNets 算法的生成模型策略,探究了如何在实际训练资源限制下实现更好的样本效率和匹配目标分布,提出了优先回放、相对边流策略参数化和新的引导轨迹平衡目标等方法来提高样本效率,有效解决了一些结构学分配问题。
May, 2023
Order-Preserving GFlowNets (OP-GFNs) are proposed to sample candidates in proportion to a learned reward function consistent with a given order, eliminating the need for a predefined scalar reward in tasks like multi-objective optimization, and it is proven to concentrate on higher hierarchy candidates, achieving state-of-the-art performance in various tasks.
Sep, 2023
GFlowNets 以及其拆分并行版本 EP-GFlowNet 是用于离散复合随机变量的一种有前景的 MCMC 采样替代方法,旨在解决后先验采样中的困难和分布在客户端的数据间的通信问题。
Jun, 2024
通过使用一个可微分的组合调度框架和 Gumbel-Softmax 可微分取样技术,本文提出了一种解决资源受限调度问题的新方法,扩展了线性规划的应用范围,并通过对比评估结果表明,在优化效率方面,超过了 CPLEX、Gurobi 和 CP-SAT 等现有解决方案的能力。
Jun, 2024
利用机器学习与强化学习相结合的创新方法解决基于计算图的调度优化问题,提供优化性和确定性保证,同时保持启发式方法的运行时成本。
Aug, 2023
生成流网络(GFlowNets)是一种有前景的概率抽样框架,目前出现了一种新的家族。然而,现有的 GFlowNets 由于边缘流的直接参数化或依赖于可能难以扩展到大型操作空间的反向策略,往往导致数据效率较低。本文介绍了一种称为 Bifurcated GFlowNets(BN)的新方法,该方法采用分岔结构设计,将流程分解成状态流程和基于边缘的流程分配的独立表示。此分解使得 BN 能够更有效地从数据中学习,并更好地处理大规模问题,同时保持收敛保证。通过在标准评估基准上进行了大量实验,我们证明 BN 相对于强基准模型显著提高了学习效率和效果。
Jun, 2024
本研究旨在使用元模型 MetaNet 来解决在线动态选择调度策略的问题,以优化任务调度和执行成本。相比于现有的深度学习调度器,MetaNet 能使执行成本、能源消耗、响应时间和服务水平协议的违规率分别提高 11、43、8 和 13%左右。
May, 2022
该论文提出了一种基于图卷积网络的分布式最大权独立集求解器,通过学习拓扑感知节点嵌入和网络权重相结合,并调用贪心算法,即使在小型至中型无线网络中,浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半,在保持图形一般性的同时,增加的计算复杂性很小。
Nov, 2020
我们运用蒙特卡罗树搜索算法(MCTS)提升了生成流网络的规划能力,实验证明这种方法提高了生成流网络的训练样本效率和预先训练模型的生成真实性。
Jun, 2024