Mar, 2024

基于深度强化学习的几何问题求解中引入图注意机制

PDF
TL;DR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。
online educationautomatic solvergeometric problemsdeep reinforcement learninga3c-rl algorithm
发现论文，激发创造
  • 使用多头注意力深度强化学习解决动态图问题

    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。

    Jan, 2022

  • 从点云中提取图结构：几何注意力是你唯一需要的

    使用图神经网络在高能物理等领域中解决点云问题取得了显著进展，本文将问题提升为拓扑问题，并提出了一种注意力机制，允许在学习空间中构建图结构以处理相关性流动，从而提供了一种拓扑问题的解决方案，我们在顶夸克标记任务上测试了名为 GravNetNorm 的这种架构，并显示其标记精度具有竞争力，且使用的计算资源远少于其他可比较的模型。

    Jul, 2023

  • 基于图注意力机制的多无人机辅助通信中轨迹规划和资源分配的强化学习

    该论文提出了一种新的图注意多智能体信任域（GA-MATR）强化学习框架，用于解决多无人机辅助通信问题，通过引入图递归网络处理和分析通信网络的复杂拓扑结构，从观测信息中提取有用的信息和模式，提供额外的权重，并利用批评网络准确评估无人机基站行为的价值，以实现更可靠的反馈信号，并帮助演员网络更有效地更新策略。模拟实验表明，该方法具有优于基准线的收敛性能，无人机基站学习到了达到最大累积奖励的最佳通信策略，同时，多智能体信任域方法具有单调收敛性，为多无人机辅助通信马尔可夫博弈提供了估计的纳什均衡点。

    Jan, 2024

  • 多机器人任务分配中带有学习激励函数的大图匹配加权

    该论文介绍了一种使用图强化学习 (GRL) 框架来学习多机器人任务分配 (MRTA) 的启发式或激励的方法，其中使用胶囊注意力策略模型来学习如何赋予任务 / 机器人配对 (边) 在将任务集与机器人集连接的二分图中的权重。该方法与使用专家指定启发式的原始二分图匹配方法性能相当，但具有显著的鲁棒性优势。在训练过程中，学到的激励策略与专家指定的激励策略初始接近，然后稍微偏离其趋势。

    Mar, 2024

  • 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

  • 基于图注意力神经网络的多智能体博弈抽象

    该研究针对大规模多智能体系统，建立一种基于完全图的游戏抽象机制，以简化学习过程，并通过交通路口和猎物 - 捕食者两种实验验证其在状态空间和收敛性能上的优势。

    Nov, 2019

  • 基于层叠分层注意力的深度强化学习在基于文本的游戏中的应用

    本文研究了强化学习在基于文本的游戏中的应用，提出了利用知识图谱进行明确推理的方法，并通过分层注意机制构建了推理过程的显式表示，实验结果表明该方法优于现有的基于文本的代理人。

    Oct, 2020

  • GASE: 图注意力取样与边融合用于解决车辆路径问题

    我们提出了一种自适应图注意力采样与边融合框架（GASE），通过使用具有高度相关邻域和边的注意力计算从而确定节点的嵌入，进一步融合采样网络中的消息传递和节点嵌入，在学习导向的 VRP 任务上表现出色，并在随机生成实例和真实世界数据集上展现出超越现有方法的性能。

    May, 2024

  • 基于图注意力的多级重组规划的结构概念学习

    通过结构概念学习（SCL）和图注意力网络，提出了一种多层次的物体重新排列规划方法，用于复杂和任意环境中的机器人操作任务，并通过对场景的理解实现更好的性能、灵活性和效率。

    Sep, 2023

  • 算法推理的三元边关注

    该研究通过神经算法推理对神经网络进行研究，旨在开发能够从经典算法中进行学习的神经网络。主要挑战是开发出表现足够强大的图神经网络，能够预测给定的算法输出，并在未知数据上具备良好的泛化能力。在此工作中，我们介绍了一种新的图神经网络层，称为 Triplet Edge Attention (TEA)，它是一种边感知的图注意力层。我们通过精确计算边的潜在性能和使用基于边的注意力聚合多个三元组消息的方式来实现我们的算法。我们在 CLRS 基准测试中对 TEA 层进行了实证验证，并取得了平均 5% 的改进。特别是，在与现有模型相比，我们的方法在字符串算法中取得了 30% 的改进。

    Dec, 2023