np-hDeepMind与谷歌又出大招！用神经网络解决NP-hard的MIP问题( 四 ) 动力|米文

3、将 Neural Diving 与 Neural Branching 结合起来，在具有最大 MIP 的4个数据集（共有5个数据集）中的平均原始对偶差距上获得了明显比 SCIP 更好的性能，同时在第5个数据集中达到与 SCIP 不相上下的性能。
此外，他们还开源了一个用于神经网络验证的数据集（第 4、12.6 节），希望有助于进一步研究 MIP 的新学习技术。

结论
这项工作证明了机器学习在大规模现实世界应用数据集和 MIPLIB 上能够显着提高 MIP 求解器性能的长期潜力。我们相信，随着模型和算法的进一步改善，这个方法会有更大的改进。
一些在未来有前景的研究方向是：
? 学习切割：使用机器学习更好地选择和生成切割是性能改进的另一个潜在技术。
? 热启动模型：学习模型在 MIPLIB 上的强劲表现表明，它可以学习在不同 MIP 中都能很好地工作的启发式方法。这可用于克服应用场景中的“冷启动”问题，即应用中早期可用的训练数据量可能太少而无法训练好的模型。我们可以从使用在异构数据集上训练的模型开始，并在为应用收集更多数据时，将它们用作通往更专业模型的桥梁。
? 强化学习：使用蒸馏或行为克隆获得的性能是由现有的最佳专家提供，而强化学习 (RL) 可能会超过它。高效探索、长期信用分配和学习的计算可扩展性是将 RL 应用于大规模 MIP 的关键挑战。解决这些问题可以带来更大的性能改进。
参考链接：
https://twitter.com/DeepMind/status/1419642398553120772

雷锋网雷锋网雷锋网