Large Scale Constrained Clustering With Reinforcement Learning

要約

ネットワークの場合、各ノードではなくクラスター レベルでリソースを割り当てると、リソースの割り当てと使用の効率が向上します。
この論文では、クラスタ内の距離を最小化し、クラスタに割り当てられるノードの数を最大化すると同時に、クラスタ内の 2 つのノードがしきい値距離を超えないようにするために、完全に接続された互いに素なクラスタを見つける問題を研究します。
この問題はバイナリ線形モデルを使用して簡単に定式化できますが、従来の組み合わせ最適化ソルバーは大規模なインスタンスを扱う場合に困難を伴います。
我々は、強化学習によってこの制約付きクラスタリング問題を解決するアプローチを提案します。
私たちの方法には、実現可能なソリューションと（ほぼ）最適なソリューションの両方を生成するようにエージェントをトレーニングすることが含まれます。
エージェントは、このタスクで発生するインスタンスに合わせて調整された、問題固有のヒューリスティックを学習します。
結果セクションでは、大規模なインスタンスであっても、アルゴリズムがほぼ最適な解決策を見つけることを示します。

要約(オリジナル)

Given a network, allocating resources at clusters level, rather than at each node, enhances efficiency in resource allocation and usage. In this paper, we study the problem of finding fully connected disjoint clusters to minimize the intra-cluster distances and maximize the number of nodes assigned to the clusters, while also ensuring that no two nodes within a cluster exceed a threshold distance. While the problem can easily be formulated using a binary linear model, traditional combinatorial optimization solvers struggle when dealing with large-scale instances. We propose an approach to solve this constrained clustering problem via reinforcement learning. Our method involves training an agent to generate both feasible and (near) optimal solutions. The agent learns problem-specific heuristics, tailored to the instances encountered in this task. In the results section, we show that our algorithm finds near optimal solutions, even for large scale instances.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google