Neural Algorithmic Reasoning for Combinatorial Optimisation

要約

ニューラル ネットワークを使用して NP 困難/完全な組み合わせ問題を解決することは、古典的な近似アルゴリズムを超えることを目的とした挑戦的な研究分野です。
長期的な目標は、トレーニング データのみから優れたソリューションを生成する方法を学習することで、NP 困難/完全問題に対して手動で設計されたヒューリスティックよりも優れたパフォーマンスを発揮することです。
CO 問題を解決するための現在のニューラルベースの方法では、問題に固有の「アルゴリズム」の性質が見落とされていることがよくあります。
対照的に、CO 問題向けに設計されたヒューリスティック。
TSP は、最小スパニング ツリーを見つけるためのアルゴリズムなど、確立されたアルゴリズムを頻繁に利用します。
この論文では、ニューラル アルゴリズム推論における最近の進歩を活用して、CO 問題の学習を改善することを提案します。
具体的には、CO インスタンスでニューラル モデルをトレーニングする前に、関連するアルゴリズムでニューラル モデルを事前トレーニングすることをお勧めします。
私たちの結果は、この学習設定を使用することで、アルゴリズムに基づいていない深層学習モデルと比較して優れたパフォーマンスを達成できることを示しています。

要約(オリジナル)

Solving NP-hard/complete combinatorial problems with neural networks is a challenging research area that aims to surpass classical approximate algorithms. The long-term objective is to outperform hand-designed heuristics for NP-hard/complete problems by learning to generate superior solutions solely from training data. Current neural-based methods for solving CO problems often overlook the inherent ‘algorithmic’ nature of the problems. In contrast, heuristics designed for CO problems, e.g. TSP, frequently leverage well-established algorithms, such as those for finding the minimum spanning tree. In this paper, we propose leveraging recent advancements in neural algorithmic reasoning to improve the learning of CO problems. Specifically, we suggest pre-training our neural model on relevant algorithms before training it on CO instances. Our results demonstrate that by using this learning setup, we achieve superior performance compared to non-algorithmically informed deep learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google