Neural Bipartite Matching

要約

グラフ ニューラル ネットワーク (GNN) は、アルゴリズムの領域での学習への応用を見出しました。
ただし、既存の研究によって選択されたアルゴリズム (並べ替え、幅優先検索、最短パス検索など) は通常、標準の GNN アーキテクチャと完全に一致しています。
このレポートでは、ニューラル実行が複雑なアルゴリズムにどのように適用されるかについて説明します。たとえば、フロー問題に還元して最大の 2 部マッチングを見つけたり、Ford-Fulkerson を使用して最大フローを見つけたりします。
これは、単一の GNN から生成された特徴のみに基づくニューラル実行によって実現されます。
この評価では、ネットワークがほぼ 100% の確率で最適なマッチングを達成するという、非常に一般化された結果が示されています。

要約(オリジナル)

Graph neural networks (GNNs) have found application for learning in the space of algorithms. However, the algorithms chosen by existing research (sorting, Breadth-First search, shortest path finding, etc.) usually align perfectly with a standard GNN architecture. This report describes how neural execution is applied to a complex algorithm, such as finding maximum bipartite matching by reducing it to a flow problem and using Ford-Fulkerson to find the maximum flow. This is achieved via neural execution based only on features generated from a single GNN. The evaluation shows strongly generalising results with the network achieving optimal matching almost 100% of the time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google