Jan, 2024

基于图神经网络的经典规划器选择

PDF
TL;DR在线规划器选择是选择给定规划问题的预定义求解器之一的任务。本研究通过深入研究所选择 GNN 模型、图表示和节点特征以及预测任务等方面的影响，提出使用 GNN 获得的图表示作为 XGBoost 模型的输入，以实现更具资源效率且准确的方法，展示了多种基于 GNN 的在线规划器选择方法的有效性，为在线规划器选择的新研究方向打开了新的令人兴奋的可能性。
发现论文，激发创造
  • 基于图神经网络和自适应调度的在线计划选择

    论文提出了一种基于图神经网络的候选规划器选择方法，并结合自适应调度策略实现了机器人路径规划等问题的高效解决，相关代码已经开源。

    Nov, 2018

  • 基于图神经网络的查询计划表示的一种新技术

    比较研究了使用不同的树模型对优化器在复杂工作负载下的成本估算和计划选择性能的影响，并探索了使用图神经网络在查询计划表示任务中的可能性。提出了一种新颖的树模型，结合有向图神经网络和门控循环单元（GRU），实验结果表明，与现有树模型相比，新的树模型在成本估算任务和计划选择性能方面具有显著改进。

    May, 2024

  • 面向决策的图神经网络在组合优化中的应用

    我们的研究工作的重点是通过决策导向的图学习，在组合优化问题中采用神经网络框架，提出了一个更高效和精确的框架。此外，我们引入了一个决策导向的框架，利用图神经网络解决具有辅助支持的组合优化问题。实验结果表明，我们的方法在经典组合优化问题上优于独立的图神经网络方法和传统方法。

    Jun, 2024

  • 图形 Q-Learning 用于组合优化

    本论文提出并证明了图神经网络可以应用于解决组合优化问题，通过将优化过程视为顺序决策问题，使用 Q-Learning 训练图神经网络可以在参数和训练时间上只占一小部分的情况下接近达到最先进的启发式求解器的性能。

    Jan, 2024

  • 图形算法的神经执行

    通过在算法空间中训练 Graph Neural Networks 来解决基于图结构的问题，使用基于最大化的信息传递神经网络来实现离散决策，同时实现了任务迁移并提升学习效果。

    Oct, 2019

  • 基于图神经网络的组合优化和推理

    本文通过对近年来在组合优化、运筹学和机器学习等领域出现的基于图神经网络（GNNs）的组合优化求解方法和算法进行概述，以此向优化和机器学习研究者介绍这一领域的最新进展。

    Feb, 2021

  • 使用图神经网络在大问题实例中学习物体重要性进行规划

    本文提出了一种基于图神经网络的对象重要性预测架构，通过预测一小部分对象，可以极大地减少计划器需要考虑的对象数量，从而实现简单、高效的规划过程，经过实验验证，在不同类型的规划问题中均取得了优异的效果。

    Sep, 2020

  • 图学习是否能改进任务规划？

    任务规划在大型语言模型发展的同时成为一个重要的研究课题，本文探讨了基于图学习的任务规划方法，该方法与传统的提示设计不同，通过将图神经网络与语言模型相结合以提高整体性能，并通过实验证明了其优于现有解决方案甚至在无训练的情况下的优势，并且通过改进提示或微调模型进一步提高了性能。

    May, 2024

  • 学习解决 NP 完全问题 - 用图神经网络处理决策 TSP 问题

    本文研究表明图神经网络可以通过可训练的可组装模块来解决含有符号和数值数据结构的 NP 完全问题，提供了一个解决 TSP 问题的高度自主的消息传递算法并且能够使用与目标成本 C 的偏差小于 2% 的决策实例进行训练。

    Sep, 2018

  • 图神经网络启发式算法无法在解决如 Max-Cut 等组合优化问题中超越贪婪算法

    Schuetz 等人提出了一种使用图神经网络作为启发式方法来解决各种组合优化问题的方案，该方法通过样例实例对网络进行训练，并应用广泛使用的技术来评估其成功的能力，尽管报告的结果只比梯度下降略有改善，但该方法承诺具有高度可伸缩性和计算成本线性。

    Oct, 2022