图归一化为NP难的最大权重独立集问题提供可微分近似

研究人员开发了图归一化（Graph Normalization, GN），一个新颖的动力学系统，用于近似NP难的最大权重独立集（Maximum Weight Independent Set, MWIS）问题。GN提供了一种原则性且可微分的方法，收敛于最大独立集的二值指示符，并在大规模基准测试中优于现有求解器。该方法在需要约束下进行硬决策的深度学习架构中具有潜在应用，例如结构化注意力（structured attention）和专家混合（Mixture-of-Experts），并可扩展到各种领域优化问题的端到端学习。 AI

影响 引入了一种新的可微分优化技术，可能催生新颖的深度学习架构和约束学习。

排序理由 这是一篇介绍近似复杂组合问题的[lever_c_demoted from research: ic=1 ai=1.0]新方法的学术论文。

在 arXiv cs.LG 阅读 →

• Belief Propagation
• Bregman-Sinkhorn
• Fisher's Fundamental Theorem of Natural Selection
• Graph Normalization
• Maximum Weight Independent Set
• Mixture-of-Experts
• Motzkin-Straus theorem
• Replicator Dynamics
• Sinkhorn algorithm
• Majorization-Minimization

• 论文
• 其他

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