COMBHelper: A Neural Approach to Reduce Search Space for Graph Combinatorial Problems

要約

グラフに関する組み合わせ最適化 (CO) 問題は、トラフィックの最適化、ソーシャル ネットワークでのバイラル マーケティング、仕事の割り当てのマッチングなど、多くのアプリケーションで日常的に発生します。
組み合わせの性質により、これらの問題は多くの場合 NP 困難です。
既存の近似アルゴリズムとヒューリスティックは、探索空間に依存して解を見つけるため、この空間が大きいと時間がかかります。
この論文では、COMBHelper と呼ばれるニューラル メソッドを設計して、このスペースを削減し、ノード選択に基づく従来の CO アルゴリズムの効率を向上させます。
具体的には、グラフ ニューラル ネットワーク (GNN) を使用して、ソリューション セットの有望なノードを特定します。
この枝刈りされた検索空間は、従来の CO アルゴリズムに供給されます。
COMBHelper は、知識蒸留 (KD) モジュールと問題固有のブースト モジュールも使用して、さらなる効率と有効性をもたらします。
私たちの広範な実験により、COMBHelper を使用した従来の CO アルゴリズムは、元のバージョンよりも少なくとも 2 倍高速であることがわかりました。

要約(オリジナル)

Combinatorial Optimization (CO) problems over graphs appear routinely in many applications such as in optimizing traffic, viral marketing in social networks, and matching for job allocation. Due to their combinatorial nature, these problems are often NP-hard. Existing approximation algorithms and heuristics rely on the search space to find the solutions and become time-consuming when this space is large. In this paper, we design a neural method called COMBHelper to reduce this space and thus improve the efficiency of the traditional CO algorithms based on node selection. Specifically, it employs a Graph Neural Network (GNN) to identify promising nodes for the solution set. This pruned search space is then fed to the traditional CO algorithms. COMBHelper also uses a Knowledge Distillation (KD) module and a problem-specific boosting module to bring further efficiency and efficacy. Our extensive experiments show that the traditional CO algorithms with COMBHelper are at least 2 times faster than their original versions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google