.png){kind=icon}
返回
Reusability report: A distributed strategy for solving combinatorial optimization problems with hypergraph neural networks
.png){kind=icon}
PRE
AI
DOI：10.1038/s42256-025-01141-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维约束组合问题可扩展的解决方案能够解决科学和工程学科中遇到的许多挑战。受图神经网络用于二次成本组合优化问题的启发，Heydaribeni及其同事提出了HypOp，旨在通过利用超图神经网络将先前算法扩展到任意成本函数，高效求解具有高阶约束的一般问题。它集成了分布式训练架构以高效处理更大规模的任务。本文复现了HypOp的主要实验，并考察了其在图形处理器数量、分布式分区策略和微调方法方面的鲁棒性。我们还通过将其应用于最大团问题和二次分配问题来评估其可迁移性。结果表明，HypOp在多样化的应用场景中具有可重用性。此外，我们提供了指导原则，为有效将其应用于多种组合优化问题提供实践见解。HypOp是一种解决复杂组合问题的可扩展方法。本研究复现了其结果，测试了其鲁棒性，将其扩展到新任务，并为更广泛的科学应用提供了实践指导原则。
Keyword:
Hypergraph neural networks
Combinatorial optimization
Distributed training
Scalable algorithms
Transferability
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Combinatorial Optimization Problems and Metaheuristics: Review, Challenges, Design, and Development
OAAI
OAAI分享收藏
查看更多内容