本文研究的是图匹配问题，提出了一种基于学习的方法，用于解决基于图的模式识别问题。通过训练示例和标签，我们可以学习节点与边之间的兼容性，在解决问题时可以取得更好的效果。实验结果表明，该方法比现有算法更为有效。

Jun, 2008

研究了图匹配问题，通过实验证明了最优解不可达，证实了松弛算法加梯度下降算法的方法能在实践中达到优秀的效果。

May, 2014

该研究论文旨在研究一种简单版本的普通非线性整数问题，其中所有约束仍为线性，重点在于问题的计算复杂度，涵盖了针对更一般类问题的最新成功方法。

Jun, 2009

我们研究了不完全多图匹配问题，该问题是配对多个有限集合的 NP 难问题的推广，多图匹配在计算机视觉中起着关键作用，已经提出了许多专门的优化技术。我们填补了这一差距，并将已知的多维分配问题近似算法转化为不完全多图匹配问题。通过实验证明，我们的新方法在目标和运行时间方面显著优于以前的技术水平。我们的算法能够在两分钟内匹配超过 500 个关键点的 29 个图像，而考虑的最快竞争方法至少需要半小时，同时产生了更差的结果。

Jun, 2024

本研究提出一种新的基于功能表征的图匹配方法，能够降低相关算法的时间和空间复杂度，并且具有比现有方法更准确的匹配性能。

Jan, 2019

本文提出了一种基于约束的图匹配方法，能够处理任意阶数、任意势函数的约束，在先前依赖于图结构的分解方法的基础上，通过约束匹配的分解，将图匹配重构为非凸非可分的优化问题，通过交替方向乘子法将其分解为多个较小、易于解决的子问题，从而设计了一个模块化可扩展的框架，并对基于两两约束和高阶约束的两个不同实例进行了研究，实验结果表明，所提出的解决方案在广泛采用的合成和真实示例基准测试中优于现有的两两图匹配方法，并且在高阶设置中具有竞争力。

Nov, 2016

本研究通过整数规划方案和贪心算法等方法，从离散数据中学习 Bayesian 网络，在实验结果中取得了和之前相比有着巨大的改进。

Sep, 2013

本文提出了基于三分图的方法表示 MIP 问题，该问题可以通过图卷积网络结合机器学习方法来预测二进制变量的解，以生成一种局部分支类型切割，从而提高求解 MIP 问题的性能。

Jun, 2019

该论文提出了一种名为扩展权重系统的统一框架，可消除不同自动推理语言之间的句法区别，并研究了所提出系统的形式属性，即可在该框架内捕获的范例的形式属性。

Jun, 2022

在这项工作中，我们旨在将整数规划求解器整合到神经网络架构中作为能够学习成本项和约束项的层，以便从原始数据中提取特征并使用最先进的整数规划求解器解决适当的（经过学习的）组合问题。该结果的端到端可训练架构以综合性能分析在合成数据上演示，且在竞争性计算机视觉关键点匹配基准上有展示其潜力。

May, 2021