研究论文提出了 GAT-Steiner，一种基于图注意力网络模型，能够高准确率地预测 ISPD19 基准测试中 99.846% 的网段，并在次优网长中仅产生 0.480% 的平均增加。在随机生成的基准测试中，GAT-Steiner 在 99.942% 的网段中高准确率地预测，并且在次优网长中仅产生 0.420% 的平均增加。

Jul, 2024

物理设计的核心目标是在芯片画布上放置芯片组件时最小化线长（WL）。我们提出了 NeuroSteiner，这是一个神经模型，通过导航成本 - 准确度前沿的线长估计，将 GeoSteiner（一个最优 RSMT 求解器）简化。NeuroSteiner 使用由 GeoSteiner 标记的合成网络进行训练，减轻了对真实芯片设计进行训练的需求。此外，NeuroSteiner 的可区分性允许通过梯度下降进行最小化 WL 放置。在 ISPD 2005 和 2019 年，NeuroSteiner 可以获得 0.3% 的 WL 误差，同时比 GeoSteiner 快 60%，或者为 0.2% 和 30%。

Jul, 2024

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

本文使用基于机器学习的学习剪枝框架来解决史泰纳树问题，结果显示该框架可在商业整数线性规划求解器所需时间的一小部分时间内计算出近乎最优的解决方案，进一步证明了学习剪枝框架在解决各种组合优化问题方面的潜力。

Aug, 2022

本文考虑了将机器学习与在线算法设计相结合的新型 “超越最坏情况” 算法分析模型在在线 Steiner 树问题上的应用，其中预测的终端节点可能不正确，算法性能取决于错误预测的数量，可以通过正确预测来突破在线下界并且具有良好的竞争比，同时实验证明该理论具有预测性。

Dec, 2021

本文提出了一种名为最小生成树（MST）压缩的新方法，用于学习压缩和加速二值神经网络（BNNs），旨在降低计算成本和延迟，实验结果表明这种方法在资源受限的边缘计算设备上能够显著提高压缩比率并实现可忽略的准确度下降。

Aug, 2023

本文研究了二进制和连续的负边缘感知器作为学习随机规则和关联的简单非凸神经网络模型，并探讨了两种模型解决方案的几何学特征。结果发现，即使在高度非约束的情况下，存在大量的极宽、极平的最小值，这有助于提高学习器的泛化性能。

Apr, 2023

对于一个具有未知权重的图，如果我们知道一些节点子集关联的最小 Steiner 树，那么我们能否找到一对节点的最短路径？本文研究了这样一个原型问题，称为具有任务转换的查询 - 决策回归，重点关注最短路径问题和最小 Steiner 树问题。我们提供了关于构建评分模型的可实现假设空间设计的理论洞察，并提出了两个有原则的学习框架。我们的实验研究显示，这样的问题可以在统计显著性的程度上得到较好的解决。

Feb, 2024

图神经网络与蒙特卡罗树搜索相结合的方法对多种类型的图进行计算，超过了多个标准近似算法，并经常找到最优解。

Nov, 2023

将基于神经网络的控制器转换为等效的软决策树控制器，以提高可验证性且减小意外行为的风险。在包含 ReLU 激活函数和 argmax 操作的离散输出 NN 控制器上，提出了一种自动剪枝的精确且高效的转换算法。以 OpenAI Gym 环境中的两个基准测试为例，结果表明 SDT 转换可以有助于形式验证，并显示其运行时在使用 MountainCar-v0 和 CartPole-v0 时分别提高了 21 倍和 2 倍。

Apr, 2023