新的GNN编码器可实现图优化任务的可迁移模型

研究人员开发了一种新的图神经网络（GNN）编码器，该编码器利用GCON模块进行表达性消息传递和基于能量的无监督损失函数。该模型在单独训练时，在各种组合优化（CO）任务上表现出具有竞争力的性能。通过借鉴计算可约性文献的知识，研究人员提出了预训练和微调策略，实现了在MVC、MIS和MaxClique等任务之间以及包括MaxCut、MDS和图着色在内的多任务设置中的有效迁移学习。研究结果表明，学习图CO问题的通用表示是可行的，为神经CO领域的奠基模型铺平了道路。 AI

影响 这项研究推动了图组合优化可迁移模型的发展，有望为复杂问题带来更高效、更通用的AI解决方案。

排序理由 该集群包含一篇研究论文，详细介绍了一种用于图组合优化的新模型和方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• graph coloring
• graph neural network
• Hugging Face
• MaxCliqueDyn maximum clique algorithm
• MaxCut
• multidimensional scaling
• Semih Cantürk

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →