ICMLJun, 2024

MAGNOLIA: 基于 GNN 的在线价值逼近匹配算法

PDF
TL;DR在线贝叶斯二分匹配问题是数字市场和交易所中的一个核心问题，我们引入了一种图神经网络（GNN）方法，模拟了该问题的组合复杂的最优在线算法，通过计算每个动作的 VTG（value-to-go）来选择动作（例如，匹配哪些节点），然后在未来以最佳方式行动。我们训练了一个 GNN 来估计 VTG，并从实证上显示，这个 GNN 在各种任务中返回高权重的匹配。此外，我们在空间众包应用中鉴定了一类常见的图分布，例如拼车，其中 VTG 可以通过在图中的局部邻域内聚合信息进行有效的近似。这种结构符合 GNN 的局部行为，为我们的方法提供了理论上的依据。
online bayesian bipartite matchinggraph neural networkvalue-to-gospatial crowdsourcinglocal neighborhoods
发现论文，激发创造
  • 集成二次分配网络用于图匹配

    通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

    Mar, 2024

  • 神经双分图匹配

    本文介绍了如何利用单个图神经网络的特征，通过神经执行将复杂算法（如最大二分匹配）转化为流量问题，并使用 Ford-Fulkerson 算法实现最大流问题的求解，该方法取得了 100% 的理想匹配效果。

    May, 2020

  • 组合问题的图神经网络的近似比

    该论文从理论角度研究了如何利用图神经网络解决组合问题的近似算法，并提出了一种新的 GNN 类别，揭示了 GNN 的相对近似比，并证明了在节点特征中添加染色可以提高学习算法的近似比。

    May, 2019

  • GNN-GMVO：面向相似商品推荐的图神经网络优化总商品价值

    这篇论文介绍了一种名为 GNN-GMVO（Graph Neural Network - Gross Merchandise Value Optimizer）的新型 GNN 架构，旨在通过考虑物品之间复杂的关系并直接优化 GMV 来解决电子商务系统中的类似物品推荐问题。通过在三个实际数据集上进行全面实验，与一些最先进的基准模型相比，我们的模型在预测性能和预期 GMV 方面展现出更好的表现。

    Oct, 2023

  • 用于学习图结构对象相似性的图匹配网络

    本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

    Apr, 2019

  • 多视角图信息瓶颈方法：一种追求一致性和补充性的方法

    本研究提出一种名为 MVGIB 的多视角变分图信息瓶颈原则用于跨视角融合图信息，并使用相互信息约束公式化其共享信息和视角特定信息。经过广泛的图形基准数据集实验表明了所提出方法的卓越效果。

    Oct, 2022

  • 通过改善具有局部混合模式的图的同配性来突破图神经网络的限制

    在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好的结果。

    Jun, 2021

  • 神经二分图匹配的多机器人主动建图

    本文介绍了一种名为 NeuralCoMapping 的算法，通过将多机器人建图问题转化为二分图匹配，并使用多通道图神经网络来简化亲和矩阵的填充过程，同时通过增强学习来优化线性分配层，该算法能够在较短时间内完成完整的地图构建，同时在各种室内场景和未见过的机器人数量上获得卓越的性能和通用性。

    Mar, 2022

  • 面向组合优化的通用图神经网络框架

    图神经网络在解决节点分类、图分类和链接预测等任务方面取得了巨大成功。然而，将图神经网络和机器学习应用于组合优化问题的研究相对较少。本文引入了一种新颖的图神经网络架构，利用复杂的滤波器组和局部化注意机制来解决图上的组合优化问题。我们展示了我们的方法如何与以往基于图神经网络的组合优化求解器区别开来，并在自监督学习设置下有效地应用于最大团、最小支配集和最大割问题。除了证明在各项任务上具有竞争力的整体性能外，我们还为最大割问题建立了最新的研究结果。

    May, 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