0-组合优化图神经网络的退火机器辅助学习（arxiv 25）(完)
Second Workshop on Machine Learning with New Compute Paradigms at NeurIPS 2024(MLNCP 2024).
文章目录
- Abstract
- 1 Introduction
- 2 Background and Related Work
- 3 Methodology
- 4 Empirical Study
- 5 Results and Discussion
-
- 解质量和收敛性
- GNN模块选择的影响
- 节点决策分配不确定性
- 与其他基线方法的比较
- 6 Conclusion and Future Work
Abstract
尽管退火机（AM）在解决复杂组合优化问题方面展现出了越来越强的能力，成为未来全量子解决方案预期进展的一个更直接的替代方案，但它仍然存在可扩展性的限制。与此同时，图神经网络（GNN）最近已被应用于解决组合优化问题，并且由于其分布式特性，展现出了具有竞争力的结果和潜在的高可扩展性。我们提出了一种融合方法，旨在保留退火机的准确性和图神经网络的表示灵活性及可扩展性。我们的模型考虑了一个压缩步骤，随后是一个监督式交互步骤，在此步骤中，从退火机获得的部分解用于指导局部图神经网络，从而获取节点特征表示，并将这些表示组合起来，以初始化一个额外的基于图神经网络的求解器，该求解器用于处理原始图的目标问题。直观上，退火机可以通过将其知识融入图神经网络，间接地解决组合优化问题。在典型优化问题上的实验表明，这一设想是可行的，实际上使退