研究人员开发了RIDGECUT，一个新颖的强化学习框架，用于图划分问题，特别是针对归一化割问题。该方法通过约束动作来强制执行结构划分，从而融入领域知识，其灵感来源于交通网络中划分常形成圆环和楔形。通过转换图并利用基于Transformer的策略和近端策略优化（Proximal Policy Optimization），RIDGECUT实现了更低的归一化割，并在各种图的大小和类型上表现出强大的泛化能力，在合成和真实世界交通数据上优于现有方法。 AI
影响 引入了一种新颖的强化学习方法用于图划分，有望提高组合优化任务的效率和泛化能力。
排序理由 该集群包含一篇学术论文，详细介绍了使用强化学习进行图划分的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- DagsHub
- Hugging Face
- Normalized cut group clustering of resting-state FMRI data
- Proximal Policy Optimization
- Qize Jiang
- reinforcement learning
- RIDGECUT
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →