ترجمه فارسی مقاله یک چارچوب یادگیری بدون نظارت همراه با اکتشافی برای مشکل حداکثر برش حداقل

چکیده

The Maximum Minimal Cut Problem (MMCP), a NP-hard combinatorial optimization (CO) problem, has not received much attention due to the demanding and challenging bi-connectivity constraint. Moreover, as a CO problem, it is also a daunting task for machine learning, especially without labeled instances. To deal with these problems, this work proposes an unsupervised learning framework combined with heuristics for MMCP that can provide valid and high-quality solutions. As far as we know, this is the first work that explores machine learning and heuristics to solve MMCP. The unsupervised solver is inspired by a relaxation-plus-rounding approach, the relaxed solution is parameterized by graph neural networks, and the cost and penalty of MMCP are explicitly written out, which can train the model end-to-end. A crucial observation is that each solution corresponds to at least one spanning tree. Based on this finding, a heuristic solver that implements tree transformations by adding vertices is utilized to repair and improve the solution quality of the unsupervised solver. Alternatively, the graph is simplified while guaranteeing solution consistency, which reduces the running time. We conduct extensive experiments to evaluate our framework and give a specific application. The results demonstrate the superiority of our method against two techniques designed.

چکیده به فارسی (ترجمه ماشینی)

حداکثر مشکل برش حداقل (MMCP) ، یک مشکل بهینه سازی ترکیبی NP سخت (CO) ، به دلیل محدودیت دو اتصال دو اتصال ، مورد توجه زیادی قرار نگرفته است.علاوه بر این ، به عنوان یک مشکل CO ، این یک کار دلهره آور برای یادگیری ماشین است ، به خصوص بدون نمونه های دارای برچسب.برای مقابله با این مشکلات ، این کار یک چارچوب یادگیری بدون نظارت را همراه با اکتشافی برای MMCP ارائه می دهد که می تواند راه حل های معتبر و با کیفیت را ارائه دهد.تا آنجا که می دانیم ، این اولین کاری است که به بررسی یادگیری ماشین و اکتشافی برای حل MMCP می پردازد.حل کننده بدون نظارت از یک رویکرد دور آرامش به علاوه الهام گرفته شده است ، راه حل آرام توسط شبکه های عصبی نمودار پارامتر می شود و هزینه و مجازات MMCP به صراحت نوشته شده است ، که می تواند مدل را به پایان برساند.یک مشاهده مهم این است که هر راه حل با حداقل یک درخت پوششی مطابقت دارد.بر اساس این یافته ، یک حل کننده اکتشافی که با افزودن رئوس تحولات درخت را پیاده سازی می کند ، برای ترمیم و بهبود کیفیت راه حل حل کننده بدون نظارت استفاده می شود.از طرف دیگر ، نمودار در حالی که تضمین کننده قوام راه حل است ، ساده می شود ، که باعث کاهش زمان اجرا می شود.ما آزمایش های گسترده ای را برای ارزیابی چارچوب خود انجام می دهیم و یک برنامه خاص ارائه می دهیم.نتایج نشان دهنده برتری روش ما در برابر دو تکنیک طراحی شده است.