要約
機械学習 (ML) の最近の進歩は、古典的な組み合わせ最適化アルゴリズムを支援および加速する可能性を示しています。
エンドツーエンドの方法で学習する (つまり、ソリューションを直接出力する) ことを目的とした ML ベースの高速化は、実行時間とソリューションの品質をトレードオフする傾向があります。
したがって、パフォーマンス保証を維持しながら既存のソルバーを高速化できるソリューションには、大きな関心が集まっています。
ここでは、敵対者が最小限のエッジを削除することでグラフ内の最短パスを攻撃することを目的とした APX ハード問題を考えます。
私たちは、生成されるソリューションの品質を維持しながら、実行時間を最大 10 倍高速化する ML 支援最適化アルゴリズムである GRASP アルゴリズム、つまり Graph Attendant Accelerated Shortest Path Attack を提案します。
GRASP は、グラフ アテンション ネットワークを使用して、組み合わせ解を含む小さなサブグラフを識別することで、入力問題のサイズを効果的に削減します。
さらに、最適化タスクとよく相関するノードの特徴を含む入力グラフを注意深く表現することで、最適化ソリューションの重要な構造を強調表示できることを示します。
要約(オリジナル)
Recent advances in machine learning (ML) have shown promise in aiding and accelerating classical combinatorial optimization algorithms. ML-based speed ups that aim to learn in an end to end manner (i.e., directly output the solution) tend to trade off run time with solution quality. Therefore, solutions that are able to accelerate existing solvers while maintaining their performance guarantees, are of great interest. We consider an APX-hard problem, where an adversary aims to attack shortest paths in a graph by removing the minimum number of edges. We propose the GRASP algorithm: Graph Attention Accelerated Shortest Path Attack, an ML aided optimization algorithm that achieves run times up to 10x faster, while maintaining the quality of solution generated. GRASP uses a graph attention network to identify a smaller subgraph containing the combinatorial solution, thus effectively reducing the input problem size. Additionally, we demonstrate how careful representation of the input graph, including node features that correlate well with the optimization task, can highlight important structure in the optimization solution.
arxiv情報
著者 | Zohair Shafi,Benjamin A. Miller,Ayan Chatterjee,Tina Eliassi-Rad,Rajmonda S. Caceres |
発行日 | 2023-10-23 17:50:33+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google