یادگیری افرازبندی گرافها: مروری نظاممند بر رویکردهای شبکههای عصبی گرافی و یادگیری تقویتی و محدودیتهای نظری آنها
یادگیری افرازبندی گرافها: مروری نظاممند بر رویکردهای شبکههای عصبی گرافی و یادگیری تقویتی و محدودیتهای نظری آنها
عباس جعفرزاده1 مرتضی خانی دهنوئی2
1) استادیار گروه ریاضی، دانشکده مهندسی، دانشگاه صنعتی قوچان، قوچان، ایران
2) استادیار گروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی قوچان، قوچان، ایران
کد IOI مقاله
:
ACCA-ACAHBC
محل انتشار :
چهارمین کنگره بین المللی علوم، مهندسی و فن آوری های نو(secongress.com)
چکیده :
افرازبندی گراف در عمل اغلب مسئلهای حلشده تلقی میشود، با این حال هیچ افرازکنندهای بهطور قابلاعتماد در میان بارهای کاری مختلف تعمیم نمییابد و این حوزه بهطور فزاینده به مؤلفههای یادگیریمحور روی آورده است تا این شکاف را پر کند. این مرور ده مطالعه منتشرشده بین سالهای ۲۰۱۹ تا ۲۰۲۶ را که شبکههای عصبی گرافی (GNN) و یادگیری تقویتی را بر مسئله افرازبندی گراف اعمال میکنند، ترکیب میکند. جستوجوها در پایگاههای IEEE Xplore، ACM Digital Library، ScienceDirect و arXiv بر اساس پروتکل PRISMA انجام شد؛ از ده مطالعه شاملشده، هشت مورد پژوهشهای اصلی مبتنی بر یادگیری و دو مورد مقالات مروری یا چارچوبی هستند که برای زمینه مقایسهای و نظری استفاده شدهاند. سه پارادایم در مجموعه مبتنی بر یادگیری تکرار میشوند: برچسبگذاری نظارتشده یا نیمهنظارتشده، کمینهسازی تابع زیان بدون نظارت یا خودنظارتی، و یادگیری تقویتی، که در آن GNNها در بیشتر روشهای اخیر هسته معماری مشترک را تشکیل میدهند. یافته اصلی نه معماری بلکه نظری است: هیچیک از هشت مطالعه مبتنی بر یادگیری کران غیرپیش پا افتادهای بر فاصله میان خروجی خود و برش بهینه برقرار نمیکند و ارزیابیها همچنان به مقایسههای تجربی با METIS یا بهترین راهحلهای شناختهشده محدود میمانند. همین فقدان تضمین نزدیکی به بهینه است که افرازکنندههای یادگرفته را از سنت الگوریتمی که درصدد جایگزینی آن هستند جدا میکند. این مرور در پایان پیشنهاد میکند که کرانهای طیفی در اهداف یادگیری ادغام شوند و شیوههای ارزیابی از بهبود نسبی به فاصله مطلق از کرانهای پایین محاسبهپذیر تغییر یابند
کلمات کلیدی : افرازبندی گراف شبکه عصبی گرافی یادگیری تقویتی بهینهسازی ترکیبیاتی مرور نظاممند