本文主要是介绍求解组合优化问题的具有递归特征的无监督图神经网络，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- ABSTRACT
- 1 Introduction
- 2 Related Work
- 3 QRF-GNN方法
- 4 数值实验
- 4.1 MAX-CUT
ABSTRACT
- 介绍了一种名为QRF-GNN的新型算法，有效解决具有二次无约束二进制优化（QUBO）表述的组合问题。依赖无监督学习，从最小化的QUBO放松导出的损失函数。
- 该架构的关键组成部分是中间GNN预测的递归使用、并行卷积层以及将人工节点特征作为输入的组合。
1 Introduction
二次无约束二进制优化（QUBO）问题是最小化一个二次伪布尔多项式F(x)的问题：
2 Related Work
在Tönshoff等人的研究中，作者提出了RUN-CSP作为最大约束满足问题的一种循环无监督神经网络。该架构包括一组线性函数，为图中的所有变量节点和所有约束的边提供消息传递。在消息传递步骤之后，当前状态以及内部长期状态通过LSTM单元进行更新。基于输出，网络产生变量在搜索域中取特定值的概率。
Amizadeh等人提出了一种无监督GNN来解决SAT和CircuitSAT问题[Amizadeh et al., 2018]。他们使用问题的有向无环图表示，并训练模型以最小化人工损失函数，其最小值对应于具有更高满意度的解决方案。
Karalias和Loukas以稍微不同的方式应用了GNN[Karalias & Loukas, 2020]。它获得了对应于候选解的节点分布。该模型通过最小化概率惩罚函数进行训练，并使用顺序解码来获得离散解，降低其不可行的概率。
在Wang等人的研究中，作者引入了GNN-1N，将负面消息传递技术适应到无监督GNN中，用于解决图着色问题[Wang et al., 2023]。使用特定问题的QUBO公式的连续放松作为损失函数的建议是由Schuetz等人在他们的物理启发式GNN（PI-GNN）中提出的[Schuetz et al., 2022a]。PI-GNN的基础架构包括一个可训练的嵌入层，用于生成节点的输入特征，以及几个图卷积层
这篇关于求解组合优化问题的具有递归特征的无监督图神经网络的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
