May, 2024

GASE: 图注意力取样与边融合用于解决车辆路径问题

PDF
TL;DR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。
vehicle routing problemsdeep reinforcement learninggraph representationgraph attention samplingadaptive actor-critic algorithm
发现论文，激发创造
  • 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

  • 探索注意力 GAN 用于车辆运动预测

    本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

    Sep, 2022

  • 路径感知图注意力在动作预测的应用

    提出了一种基于路径感知的图形注意力机制，用于对高清地图进行编码，以帮助自主驾驶汽车预测路径，并在 Argoverse Motion Forecasting 数据集上取得了最优结果。

    Feb, 2022

  • 距离感知注意力重塑：为大规模车辆路径问题增强神经求解器的泛化能力

    通过距离感知的注意力重整方法，本文提出了一种助力神经求解器解决大规模车辆路径问题的方法，并且实验结果显示该方法在大规模数据集上明显优于现有的神经求解器。

    Jan, 2024

  • 路由问题中填补泛化漏洞的注意力机制

    本文旨在通过改善现有的模型，提高机器学习在车辆路径规划中的泛化能力，首先通过改进注意力机制模型及其损失函数，接着采用混合实例训练方法和推理级数据增强技术解决了问题固有差异和模型架构弱点的问题，最终达到了提高性能的效果。

    Jul, 2022

  • 构建一致可解释的运动预测模型：基于异构图注意力的方法

    自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

    May, 2024

  • 节点和图学习的费舍尔信息嵌入

    本论文提出了一种新颖的基于注意力机制的节点嵌入框架，该框架使用基于节点周围子图集合的分层核，并使用一个光滑的统计流形来比较多组集合，从而明确计算与高斯混合嵌入流形的传播注意，其应用在节点分类任务上，取得了优于现有模型的效果。

    May, 2023

  • 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

  • 基于图注意力多智能体强化学习的分组路由

    本文提出了一种基于强化学习（RL）的无模型和数据驱动路径选择策略，结合图神经网络（GNN）的多智能体 RL 框架，探索了中央化，联合和合作学习三种部署范式，模拟结果表明该算法在分组传输延迟和负载方面优于一些现有的基准算法。

    Jul, 2021

  • 高级空中机动的图形关注多智能体车队自治

    介绍了部分可观察的先进空中移动游戏的概念，提出了一种新的异构图注意力编码器 - 解码器 (HetGAT Enc-Dec) 神经网络，以构建可推广的随机策略来协调机动车辆代理，此政策通过深度一致性学习进行训练，使代理人能够使用其本地观察进行分散的决策制定。通过大量实验表明，采用 HetGAT Enc-Dec 政策的车队在按需移动网络中表现最佳。

    Feb, 2023