Основні поняття
提案されたエッジ重視グラフオートエンコーダーモデルは、さまざまな都市数のTSPを解決するために訓練され、実用的な最適化課題に対処する可能性を示しています。
Анотація
近年、組合せ最適化のための機械学習技術に関する研究が急増しています。本論文では、さまざまな都市数でTSPを解決するためのデータ駆動型グラフ表現学習手法が提案されています。具体的には、TSPをリンク予測タスクとして定式化し、エッジ重視グラフオートエンコーダー(EdgeGAE)モデルが提案されています。このモデルは、異なるスケールのサンプルから学習し、大規模シナリオでの一般化能力を向上させるためにアクティブサンプリング戦略を導入しています。50,000個の都市数が50から500まで変動するスケール不均衡データセットを生成し、提案手法が実践的な最適化課題に対処する可能性を示しています。
Статистика
50,000個のTSPインスタンスから成るスケール不均衡データセット
50から500都市までのTSPインスタンス範囲
Цитати
"提案されたエッジ重視グラフオートエンコーダーモデルは、さまざまな都市数のTSPを解決するために訓練され、実用的な最適化課題に対処する可能性を示しています。"