组合优化问题是一类在计算机科学和运筹学中常见的问题，比如旅行商问题、背包问题、图着色问题等。这类问题通常涉及在给定数量的候选解中找到最优解。传统的解决方法通常采用穷举法或者近似算法，但组合优化问题解的数量往往是随问题的规模呈指数增长，当问题规模增大时，以上方法就显得很低效。
机器学习技术为解决这类问题提供了一种新的方法，利用机器学习求解组合优化问题也是人工智能的前沿方向，在今年的各大顶会收录论文中，相关的科研成果数目也十分可观。
我这次就帮同学们整理了20篇机器学习组合优化方向的顶会论文，包含图匹配、旅行商问题、二次分类问题、因果发现等多个细分方向，希望能给各位的论文添砖加瓦。
扫码添加小享，回复“组合优化”
免费获取全部论文及代码合集
DeepACO: Neural-enhanced Ant Systems for Combinatorial Optimization
简述：论文提出了一种名为DeepACO的通用框架，利用深度强化学习自动进行知识驱动的启发式设计。DeepACO旨在加强现有ACO算法的启发式措施，并在未来ACO应用中省去繁琐的手动设计。作为一种神经增强的元启发式方法，DeepACO使用单个神经模型和一组超参数在八个组合优化问题上始终优于ACO同类算法。作为神经组合优化方法，DeepACO在典型路由问题上的表现与特定问题方法相当或更好。
Winner Takes It All: Training Performant RL Populations for Combinatorial Optimization
简述：本文介绍了一种使用强化学习解决组合优化问题的方法，并提出了训练一组互补策略的建议。作者认为，同时使用多个策略可以提高解决问题的效率。作者引入了Poppy，一种简单的训练程序，用于生成一组互补策略。实验结果表明，这种方法在四个流行的NP-hard问题上获得了很好的结果。
ROCO: A General Framework for Evaluating Robustness of Combinatorial Optimization Solvers on Graphs
简述：论文提出了一种评估组合优化求解器鲁棒性的通用框架。无论求解器是经典的，还是基于学习的，都可以用这个框架来评估其鲁棒性。作者还开发了一个实用的鲁棒性度量，解决了输入实例扰动的不可微分挑战，并通过实验展示了最先进求解器在硬实例上的性能下降。这引发了对组合优化求解器鲁棒性的关注。
Efficient Meta Neural Heuristic for Multi-Objective Combinatorial Optimization
简述：论文提出了一种高效的元神经启发式算法（EMNH），用于解决多目标组合优化问题。该算法通过并行学习提高训练效率，并使用对称采样方法稳定训练。在微调过程中，该算法采用高效分层方法，以系统地解决所有子问题。实验结果表明，EMNH在解决方案质量和学习效率方面优于现有的神经启发式算法，同时消耗的时间更短。
扫码添加小享，回复“组合优化”
免费获取全部论文及代码合集
Boosting Causal Discovery via Adaptive Sample Reweighting
简述：论文介绍了一种基于重加权得分函数的因果发现方法，通过动态学习样本的自适应权重来提高因果发现的性能。作者提出了一个简单而有效的模型无关框架，称为ReScore，其中权重根据每个样本的重要性程度进行量化调整。在大量实验中，ReScore可以显著提高结构学习性能，并同时减轻虚假边的影响，适用于异构数据。
CktGNN: Circuit Graph Neural Network for Electronic Design Automation
简述：论文介绍了一种用于电子设计自动化的电路图神经网络（CktGNN），它可以同时自动化电路拓扑生成和设备尺寸调整。该方法利用嵌套图神经网络（GNN）的两级框架对电路图进行编码，提高了设计效率。作者还引入了一个开放电路基准（OCB），这是一个开源的数据集，可以用于评估和比较各种模拟电路设计的性能。实验表明，CktGNN通过基于表示的优化框架具有显著优势，为学习型开源模拟电路设计自动化铺平了道路。
GAL-VNE: Solving the VNE Problem with Global Reinforcement Learning and Local One-Shot Neural Prediction
简述：论文介绍了一种名为GAL-VNE的方法，用于解决虚拟网络嵌入问题。作者提出了在全局范围内使用强化学习来提高整体性能，并在每个请求的局部范围内使用一次性解决方案生成方案来提高效率。作者还提出了一种基于图神经网络的节点排序器，并使用模仿监督进行预训练和正则化。最后，使用强化学习微调GNN排序器以直接涉及商业目标。实验结果表明，该方法优于经典和基于学习的方法。
MoleRec: Combinatorial Drug Recommendation with Substructure-Aware Molecular Representation Learning
简述：论文提出了一种新的药物推荐方法，MoleRec。该方法利用分子子结构的感知学习，通过考虑药物子结构与目标疾病之间的关系，以及子结构之间的相互作用和每个子结构对患者健康状况的影响，来推荐个性化的药物组合。这种方法能够提高推荐的准确性和安全性。在MIMIC-III数据集上的实验结果表明，MoleRec达到了新的最佳性能。
扫码添加小享，回复“组合优化”
免费获取全部论文及代码合集
