Core Concepts
Graphen-Reinforcement-Learning ist ein vielversprechender Ansatz, um kombinatorische Optimierungsprobleme auf Graphen zu lösen, indem Entscheidungsfindungsprozesse als Markov-Entscheidungsprozesse formuliert und mit Reinforcement-Learning-Methoden gelöst werden.
Abstract
Dieser Überblicksartikel präsentiert ein einheitliches Rahmenwerk für Graphen-Reinforcement-Learning, das verschiedene Ansätze aus unterschiedlichen Disziplinen wie Chemie, Informatik, Wirtschaft und Statistik synthetisiert.
Der Artikel beginnt mit einer Einführung in die Grundlagen von Graphen, kombinatorischer Optimierung auf Graphen und traditionelle Lösungsansätze. Anschließend werden zwei Hauptkategorien von Graphen-Reinforcement-Learning-Problemen behandelt:
Optimierung der Graphenstruktur, um einen Zielprozess zu maximieren. Beispiele sind das Angreifen von Graphen-Neuronalen-Netzen, Netzwerkdesign, kausale Entdeckung und molekulare Optimierung.
Optimierung eines Prozesses unter fester Graphenstruktur. Beispiele sind Netzwerkrouting, Ausbreitungsprozesse, Netzwerkspiele sowie Suche und Navigation.
Für beide Kategorien werden repräsentative Arbeiten diskutiert und die zugrundeliegenden Herausforderungen wie Skalierbarkeit, Generalisierung und Interpretierbarkeit erörtert. Abschließend werden die Hauptanwendungsgebiete wie Chemie, Informatik, Wirtschaft, Epidemiologie, Ingenieurwesen, Operations Research und Statistik zusammengefasst.
Stats
Es gibt keine spezifischen Kennzahlen oder Statistiken in diesem Überblicksartikel.
Quotes
Es gibt keine hervorstechenden Zitate in diesem Überblicksartikel.