首页/论文/2005.11081

arXiv 2005.110812020-05cs.LGcs.AIstat.ML

图的组合优化学习及其在网络中的应用

Learning Combinatorial Optimization on Graphs: A Survey with Applications to Networking

Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯公司）；Starfleet Academy（星际舰队学院）；Tyrell Inc.（泰瑞尔公司）

Natalia Vesselinova, Rebecca Steinert, Daniel F. Perez-Ramirez, Magnus Boman

备注：: 29 pages, 1 figure, open access journal publication
发表信息：: IEEE Access, vol. 8, 2020, pp. 120388--120416
DOI：: 10.1109/ACCESS.2020.3004964

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

解决图上的组合优化问题的现有方法需要在算法上设计每个问题，在许多情况下会出现实际问题。理论计算机科学的实践方面，如计算复杂性，需要解决。为此目的，在图的机器学习研究的相关发展进行了调查。我们组织和比较结构涉及学习解决组合优化问题，特别着眼于电信领域及其不断发展的生活和研究网络。

英文摘要：

Existing approaches to solving combinatorial optimization problems on graphs suffer from the need to engineer each problem algorithmically, with practical problems recurring in many instances. The practical side of theoretical computer science, such as computational complexity, then needs to be addressed. Relevant developments in machine learning research on graphs are surveyed for this purpose. We organize and compare the structures involved with learning to solve combinatorial optimization problems, with a special eye on the telecommunications domain and its continuous development of live and research networks.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

移动和无线网络中的深度学习：综述

Deep Learning in Mobile and Wireless Networking: A Survey

University of Edinburgh（爱丁堡大学）；Imperial College London（伦敦帝国理工学院）

移动设备的迅速普及以及移动应用和服务的日益普及对移动和无线网络基础设施提出了前所未有的要求。即将到来的5G系统正在不断发展，以支持爆炸式的移动流量、敏捷的网络资源管理以最大限度地提高用户体验，以及提取细粒度的实时分析。随着移动环境日益复杂、异构和不断发展，完成这些任务具有挑战性。一个潜在的解决方案是采用先进的机器学习技术来帮助管理数据量和算法驱动应用程序的增长。最近深度学习的成功为解决这一领域的问题提供了新的强大工具。在本文中，我们弥合了深度学习与移动和无线网络研究之间的差距，通过对这两个领域之间的交叉进行全面调查。我们首先简要介绍了深度学习技术的基本背景和最新技术，以及在网络中的潜在应用。然后，我们讨论了几种技术和平台，促进深度学习到移动系统的有效部署。随后，我们提供了一个基于深度学习的移动和无线网络研究，我们按不同的领域进行分类的学术评论。根据我们的经验，我们将讨论如何为移动环境量身定制深度学习。我们通过明确当前的挑战和开放的未来研究方向来完成这项调查。

2019-01-30cs.LGcs.NI

网络无监督机器学习：技术、应用和研究挑战

Unsupervised Machine Learning for Networking: Techniques, Applications and Research Challenges

Information Technology University (ITU)-Punjab（旁遮普信息技术大学）；National University of Sciences and Technology (NUST)（国立科技大学）；Sunway University（双威大学）；Lancaster University（兰卡斯特大学）；University of Stirling（斯特灵大学）；Western Michigan University（西密歇根大学）

虽然机器学习和人工智能长期以来一直应用于网络研究，但大部分此类工作都集中在监督学习上。最近，使用非结构化原始网络数据来采用无监督机器学习以提高网络性能并提供诸如流量工程、异常检测、互联网流量分类和服务质量优化的服务的趋势正在上升。在网络中应用无监督学习技术的兴趣来自于它们在其他领域的巨大成功，例如计算机视觉、自然语言处理、语音识别和最优控制（例如，用于开发自动驾驶汽车）。无监督学习很有趣，因为它可以使我们摆脱对标记数据和手工特征工程的需求，从而促进灵活，通用和自动化的机器学习方法。这篇综述论文的重点是概述无监督学习在网络领域的应用。我们提供了一个全面的调查，突出了无监督学习技术的最新进展，并描述了它们在网络环境中的各种学习任务的应用。我们还提供了关于未来方向和开放研究问题的讨论，同时也确定了潜在的陷阱。虽然之前已经发表了一些关于机器学习在网络中应用的调查论文，但文献中缺少类似范围和广度的调查。通过本文，我们通过仔细综合这些调查论文的见解，同时提供对最新进展的当代报道，来推进知识状态。

2017-09-19cs.LGcs.NI

网络中的生成对抗网络（GANs）：全面调查与评估

Generative Adversarial Networks (GANs) in Networking: A Comprehensive Survey & Evaluation

University of Tehran（德黑兰大学）；Shahid Beheshti University（沙希德·贝赫什提大学）；Standard Research Institute（标准研究院）；University of East London（东伦敦大学）；Middlesex University（密德萨斯大学）

尽管他们的概念是最近才出现的，但生成对抗网络（GANs）构成了一个广泛研究的机器学习子领域，用于通过深度生成建模创建合成数据。因此，GANs已应用于许多领域，最值得注意的是计算机视觉，其中它们通常用于生成或变换合成图像。鉴于它们相对易于使用，因此网络领域的研究人员（深度学习方法已得到广泛应用）自然应该对基于GAN的方法感兴趣。因此，迫切需要对这种活动进行全面调查。在本文中，我们展示了机器学习的这一分支如何使计算机和通信网络的多个方面受益，包括移动网络、网络分析、物联网、物理层和网络安全。在此过程中，我们将提供一个新的评估框架，用于比较非图像应用程序中不同模型的性能，并将其应用于许多参考网络数据集。

2021-05-10cs.LGcs.NI

面向国防的AI驱动战术通信与组网：综述与新兴趋势

AI-Driven Tactical Communications and Networking for Defense: A Survey and Emerging Trends

Centre Tecnològic de Telecomunicacions de Catalunya (CTTC)（加泰罗尼亚电信技术中心）

本文综述了AI在军事通信与组网中的应用，提出三准则评估方法，分析关键技术、挑战与新兴趋势，并为未来研究提供路线图。

2025-04-07cs.LGcs.SYeess.SY

深度强化学习在通信与网络中的应用综述

Applications of Deep Reinforcement Learning in Communications and Networking: A Survey

Nanyang Technological University（南洋理工大学）；University of Technology Sydney（悉尼科技大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；York University（约克大学）；University of Electronic Science and Technology of China（电子科技大学）；Sungkyunkwan University（成均馆大学）

本文对深度强化学习在通信和网络中的应用进行了全面的文献综述。现代网络，例如，物联网（IoT）和无人机（UAV）网络变得更加分散和自主。在这样的网络中，网络实体需要在本地做出决策，以在网络环境的不确定性下最大化网络性能。强化学习已被有效地用于使网络实体能够获得最优策略，包括例如，决策或动作，当状态和动作空间很小时，给定它们的状态。然而，在复杂的大规模网络中，状态和动作空间通常很大，强化学习可能无法在合理的时间内找到最优策略。因此，已经开发了深度强化学习（强化学习与深度学习的组合）来克服这些缺点。在本调查中，我们首先给出了从基本概念到高级模型的深度强化学习教程。然后，我们回顾了为解决通信和网络中的新问题而提出的深度强化学习方法。这些问题包括动态网络接入、数据率控制、无线缓存、数据卸载、网络安全和连接保护，这些都对5G及以后的下一代网络很重要。此外，我们还介绍了深度强化学习在流量路由、资源共享和数据汇集方面的应用。最后，我们强调了应用深度强化学习的重要挑战，开放问题和未来的研究方向。

2018-10-18cs.LGcs.NI

机器学习增强的智能数据中心网络：综述

Machine Learning Empowered Intelligent Data Center Networking: A Survey

East China Normal University（华东师范大学）；University of Technology Sydney（悉尼科技大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）

为了支持不断增长的基于云的服务的需求，数据中心中的服务器和网络设备的数量呈指数级增长，这反过来又导致网络优化的高度复杂性和困难。为了应对这些挑战，学术界和工业界都转向人工智能技术来实现网络智能。为此，近几年来，提出了相当多新颖的和创造性的基于机器学习（ML-based）的研究工作。然而，数据中心网络的智能优化仍然面临着巨大的挑战，尤其是在海量异构业务和流量数据的在线实时动态处理场景下。据我们所知，目前对智能DCN缺乏系统的、原创性的全面研究和深入分析。为此，本文全面研究了机器学习在数据中心网络中的应用，并对近年来的研究成果进行了综述和深入分析，包括流量预测、流量分类、负载均衡、资源管理、路由优化和拥塞控制等。为了提供一个多维度和多角度的各种解决方案的比较，我们设计了一个质量评估标准称为REBEL-3S公正地衡量这些研究工作的优势和劣势。此外，我们还提出了对数据中心网络和机器学习融合的技术演进的独特见解，以及一些挑战和潜在的未来研究机会。

2022-03-01cs.LGcs.NI

更多相关论文收起更多论文

面向新鲜度的无线网络调研：强化学习视角

A Survey of Freshness-Aware Wireless Networking with Reinforcement Learning

Department of Electrical and Computer Engineering, Illinois Institute of Technology（伊利诺伊理工学院电气与计算机工程系）；School of Computer Science and Engineering, California State University（加州州立大学计算机科学与工程学院）

本文通过强化学习视角调研了面向新鲜度的无线网络，系统梳理了AoI及其变体分类，并提出策略分类法，综合了RL驱动的新鲜度控制进展，突出了延迟决策、随机变化和跨层设计等挑战。

2026-11-03cs.LGcs.SYeess.SY

强化学习用于组合优化综述

A Survey on Reinforcement Learning for Combinatorial Optimization

University of Texas at Austin（德克萨斯大学奥斯汀分校）

本文综述强化学习在组合优化中的发展，以TSP为核心比较现代深度RL与早期方法，指出注意力等深度学习机制可通用增强传统RL。

2023-10-03cs.LGstat.ML

强化学习在组合优化中的应用

Reinforcement Learning for Combinatorial Optimization: A Survey

Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Zyfra（兹夫特拉）；Criteo AI Lab（Criteo人工智能实验室）

解决组合优化问题的许多传统算法涉及使用顺序构造解决方案的手工构造算法。这样的算法是由领域专家设计的，并且由于问题的困难性质，通常可能是次优的。强化学习（RL）通过以监督或自我监督的方式训练代理，提出了一种很好的替代方案来自动搜索这些算法。在本调查中，我们探讨了将RL框架应用于硬组合问题的最新进展。我们的调查为运筹学和机器学习社区提供了必要的背景，并展示了推动该领域向前发展的工作。我们并列最近提出的RL方法，布局的时间轴的改进，为每个问题，以及我们与传统的算法进行比较，表明RL模型可以成为一个有前途的方向解决组合问题。

2020-12-24cs.LGmath.COmath.OC

端到端约束优化学习研究综述

End-to-End Constrained Optimization Learning: A Survey

Syracuse University（雪城大学）；Georgia Institute of Technology（佐治亚理工学院）；Harvard University（哈佛大学）

本文综述了利用机器学习解决约束优化问题的最新尝试。它的重点是调查的工作集成组合求解器和优化方法与机器学习架构。这些方法有望开发新的混合机器学习和优化方法，以预测组合问题的快速、近似解决方案，并实现结构逻辑推理。本文提出了一个概念性的审查，在这一新兴领域的最新进展。

2021-03-30cs.AIcs.LG

图强化学习用于组合优化：综述与统一视角

Graph Reinforcement Learning for Combinatorial Optimization: A Survey and Unifying Perspective

University of Oxford（牛津大学）；Oxford Robotics Institute（牛津机器人研究所）；University College London（伦敦大学学院）；University of Bologna（博洛尼亚大学）

本文综述了图强化学习在组合优化中的应用，提出统一视角，聚焦于非典型图问题，强调强化学习作为高效解决方案的潜力。

2024-08-20cs.AIcs.LG

图学习在组合优化中的应用

Graph Learning for Combinatorial Optimization: A Survey of State-of-the-Art

图在许多应用中被广泛用于表示复杂数据。高效的图分析对于基于图的应用是非常重要的。然而，大多数图分析任务是组合优化（CO）问题，这是NP难的。最近的研究集中在使用机器学习（ML）来解决基于图的CO问题的潜力。大多数最近的方法遵循两阶段框架。第一阶段是图表示学习，它将图嵌入到低维向量中。第二阶段使用ML来解决CO问题，使用第一阶段中学习的图的嵌入。第一阶段的工作可以分为两类，图嵌入（GE）方法和端到端（E2 E）学习方法。对于GE方法，学习图嵌入有自己的目标，可能不依赖于要解决的CO问题。CO问题由独立的下游任务解决。对于E2 E学习方法，图嵌入的学习没有自己的目标，并且是解决CO问题的学习过程的中间步骤。第二阶段的工作也可以分为两类，非自回归方法和自回归方法。非自回归方法预测一个CO问题的解决方案。非自回归方法预测表示每个节点/边是CO问题的解决方案的一部分的概率的矩阵。解可以从矩阵中计算出来。自回归方法迭代地逐步扩展部分解。在每一步中，自回归方法预测一个节点/边缘条件的当前部分解决方案，这是用来其扩展。在这项调查中，我们提供了一个全面的概述最近的研究基于图学习的CO方法。调查最后对未来的研究方向提出了几点意见。

2021-04-22cs.LGstat.ML

未知环境下组合网络优化的Thompson抽样算法

Thompson Sampling for Combinatorial Network Optimization in Unknown Environments

Bilkent University（比尔肯特大学）；University of Cambridge（剑桥大学）

影响力最大化、自适应路由和动态频谱分配都需要从大量替代方案中选择正确的行动。由于组合优化的进步，这些和许多类似的问题可以有效地解决给定的环境与已知的随机性。在本文中，我们采取这一步，并专注于在未知环境中的组合优化。我们考虑一个非常一般的学习框架，称为组合多臂强盗概率触发武器和一个非常强大的贝叶斯算法，称为组合汤普森采样（CTS）。在半强盗反馈模型下，假设在事先不知道基臂期望结果的情况下访问预言机，我们证明了当期望奖励在基臂期望结果中是Lipschitz连续时，CTS实现了$O(\sum_{i =1}^m\log T/(p_iΔ_i))$后悔和$O(\max\{\mathbb{E}[m\sqrt{T\log T/p^*}],\mathbb{E}[m^2/p^*]\})$贝叶斯后悔，其中$m$表示基臂的数目，$p_i$和$Δ_i$分别表示基臂的最小非零触发概率和最小次优间隙$i$，$T$表示时间范围，而$p^*$表示总的最小非零触发概率。我们还表明，当预期的奖励满足触发概率调制Lipschitz连续性，CTS实现$O(\max\{m\sqrt{T\log T},m^2\})$贝叶斯后悔，当触发概率为非零的所有基本武器，CTS实现$O(1/p^*\log(1/p^*))$后悔的时间范围无关。最后，我们数值比较CTS与算法的置信上限的基础上，在几个网络问题，并表明，CTS优于这些算法的至少…

2020-09-21cs.LGstat.ML

从组合优化视角看可信机器学习：综述与研究展望

Trustworthy Machine Learning through the Lens of Combinatorial Optimization: Survey and Research Perspectives

CIRRELT & SCALE-AI Chair in Data-Driven Supply Chains, Department of Mathematics and Industrial Engineering, Polytechnique Montreal（CIRRELT与数据驱动供应链的SCALE-AI主席、数学与工业工程系，蒙特利尔大学）

探讨如何从组合优化视角实现可信机器学习，回顾并综合其与组合优化交叉领域进展，涵盖训练及训练后多任务，指出组合优化公式比纯启发式方法更具优势，虽有挑战，但在可信机器学习系统设计和部署中作用将增大。

2026-07-10cs.LGmath.OC

部分指定问题组合优化的机器学习：作为统一透镜的遗憾最小化

Machine Learning for Combinatorial Optimisation of Partially-Specified Problems: Regret Minimisation as a Unifying Lens

University of Trento（特伦托大学）；TU Eindhoven（埃因霍温理工大学）；University of Bologna（博洛尼亚大学）；TU Delft（代尔夫特理工大学）；KU Leuven（鲁汶大学）

解决部分指定的组合优化问题越来越普遍。我们调查的情况下，目标函数或变量之间的关系是未知的，或者只是部分指定。挑战在于从可用数据中学习它们，同时考虑解决方案必须满足的一组硬约束，并且解决优化问题（特别是在学习期间）在计算上要求非常高。本文概述了四种看似无关的方法，每种方法都可以被视为学习一个困难的组合优化问题的目标函数：1）基于代理的优化，2）经验模型学习，3）以决策为中心的学习（“预测+优化”），以及4）结构化输出预测。我们形式化每一个学习范式，首先在文献中常见的方式，然后把形式化在一个兼容的方式使用遗憾。我们讨论了这些框架之间的差异和相互作用，强调了交叉施肥和调查开放方向的机会。

2022-05-20cs.LG

影响力最大化综述：基于机器学习的组合优化视角

A Survey on Influence Maximization: From an ML-Based Combinatorial Optimization

BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）；Beijing Normal University（北京师范大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）

本文针对传统影响力最大化算法的性能瓶颈，综述了基于机器学习尤其是深度强化学习的IM求解方法的背景、原理、分类与应用，指明了未来研究的挑战方向。

2022-11-06cs.LGcs.SI

组合优化增强的机器学习

Combinatorial Optimization Augmented Machine Learning

School of Management, Technical University of Munich, Germany（慕尼黑技术大学管理学院）；Munich Data Science Institute, Technical University of Munich, Germany（慕尼黑数据科学研究所）；Inria, Université de Lille, France（法国里尔大学Inria）；CERMICS, Ecole Nationale des Ponts et Chaussées, Institut Polytechnique Paris, France（巴黎高等理工学院CERMICS）

本文介绍了组合优化增强的机器学习，探讨了其方法论框架、应用领域及未来研究方向。

2026-01-15cs.LGmath.OC