graph coloring
PulseAugur coverage of graph coloring — every cluster mentioning graph coloring across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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…
-
新颖的振荡神经网络方法解决了数独问题
研究人员开发了一种使用振荡神经网络（ONN）解决数独谜题的新颖方法。该方法将数独问题重新表述为图着色任务，并加入了一个额外的项来确保满足数独的特定约束。与现有的历史新闻网络（HNN）和ONN求解器相比，提出的求解器在4x4和9x9数独谜题上均取得了高精度，显示出更高的准确性。
-
新的SON-GOKU方法使用图着色来改进多任务学习
研究人员开发了一种名为SON-GOKU的新颖方法来解决多任务学习中的梯度干扰问题。该方法使用图着色将任务划分为兼容的组，确保在训练期间只有朝着相同方向拉动模型的任务同时被激活。该策略旨在通过防止冲突目标减慢收敛速度来提高模型性能。在六个数据集上的实证结果表明，SON-GOKU在多任务学习优化器上的表现持续优于现有方法。
-
新的对比学习框架提高了图着色泛化能力
研究人员开发了一种新的图着色对比学习框架，图着色是图论中的一个核心问题，在调度和资源分配中有应用。该方法旨在创建可迁移的着色几何，其中相同颜色节点的嵌入对齐，相邻节点被推开。实验表明，这种对比图神经网络（GNN）编码器泛化能力强，能产生有效的着色，通常优于传统的贪婪方法。
-
新论文发现Transformer在基于状态的搜索决策中存在困难
研究人员发现了一个关键限制，即Transformer模型在回溯搜索中处理序列化轨迹数据的方式。这些模型在“分散检索”（状态特征分散在多个位置）和“历史纠缠”（模型依赖于轨迹而非当前状态）方面可能存在困难。为解决此问题，他们提出了选择性状态注意力（SSA），这是一种对注意力掩码的结构性修复，可以在不改变训练数据或参数的情况下强制执行基于状态的决策。在3-SAT和图着色等任务上的实验表明，与标准的因果基线模型相比，SSA能够使Transf…