本研究介绍了一种通过结合图神经网络和蒙特卡罗树搜索来计算 Steiner 树的方法,该方法在许多不同类型的图上反复优于标准的 2 逼近算法,通常找到最优解。
Apr, 2023
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
设计一种通过有价值的图数据识别重要子架构的联合图数据和架构机制,以搜索轻量级图神经网络 (GNNs) 的最佳架构,提出一种带有图稀疏化和网络修剪的轻量级图神经体系结构搜索 (GASSIP) 方法,并通过两个不可分割的模块优化这些模块来高效搜索最佳轻量级架构。
Jun, 2024
使用混合图 (MoG) 技术对图神经网络进行图稀疏化处理,针对每个节点的特定环境选择合适的稀疏方案,并在 Grassmann 流形上生成最优稀疏图,从而实现更高的稀疏度水平、GNN 推理速度的提升,并改善 “顶级学生” GNN 在性能上的表现。
May, 2024
本文提出了一种基于渐进式图剪枝 (CGP) 的图神经网络 (GNN) 压缩框架,综合剪枝了图结构、节点特征和模型参数,同时引入重生过程以重新建立重要的连接,实验结果表明 CGP 策略在提高训练和推断效率的同时保证准确性超过了现有方法。
Jul, 2022
本文研究如何将深度强化学习和图神经网络应用于无线网络中的电力和信道分配问题,研究结果表明现有结构还不能很好地识别图的结构和特征,并且对于对图产生影响的问题不太适用,但研究还是取得了一些积极进展,比如通过距离编码来增强问题的表示方法。
Jan, 2022
提出了一种通用的图神经网络架构,该架构可以作为任何约束满足问题的端到端搜索启发式进行训练。该方法基于一种新颖的 CSP 图形表示,可以以纯数据驱动的方式为任何 CSP 生成问题特定的启发式,对于从随机数据中学习启发式,该方法在已知的 CSP 上优于以前的 RL 方法,并且可以与传统搜索启发式竞争或更好地处理结构更为复杂的测试实例。
Aug, 2022
图神经网络(GNN)广泛应用于各个领域的数据科学任务,但为了设计 / 选择最佳的 GNN 结构,研究人员和实践者需要付出大量的努力和计算成本。为了节省人力努力和计算成本,我们提出了一种高效且可解释的图神经架构搜索方法(ExGNAS),它包括适用于各类图的简单搜索空间和能够解释决策过程的搜索算法。通过与现有方法进行综合评估,实验结果表明 ExGNAS 在准确性和运行时间方面超过当前的图神经架构搜索方法,并有效分析同质图和异质图中 GNN 架构的差异。
Aug, 2023
GLSearch 采用基于图神经网络的深度 - Q 网络的学习搜索模型来解决图之间最大公共子图的计算问题,通过枝绑定算法选择最佳节点对以加速和适应搜索过程,提供监督帮助训练 DQN,并通过实验表明该模型可以显著提高大规模图对的计算效率,为其他基于图约束的组合问题提供了潜在的解决方案。
Feb, 2020
设计了一种名为 COMBHelper 的神经方法,借助图神经网络(GNN)识别有前景的节点,压缩搜索空间并提高传统组合优化算法的效率;包括知识蒸馏模块和问题特定增强模块以进一步提升效果,实验证明传统算法利用 COMBHelper 至少快于原始版本 2 倍。
Dec, 2023