흐름이 말해 주도록: GFlowNet으로 그래프 조합 최적화 문제 풀기
Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets
조합 최적화(CO) 문제는 흔히 NP-hard이므로 정확 알고리즘으로는 풀기 어려워, 기계학습 방법을 적용하기에 매력적인 영역입니다. 이러한 문제의 고도로 구조화된 제약 조건은 해 공간(solution space)에서 직접 최적화하거나 샘플링하는 것을 모두 어렵게 만들 수 있습니다. 한편 GFlowNet은 복합적인 비정규화 밀도(unnormalized density)에서 순차적으로 효율적인 샘플링을 수행하는 강력한 도구로 최근 부상했으며, CO에서 이러한 해 탐색 과정을 상각(amortize)하고 다양한 후보 해를 생성할 잠재력을 지니고 있습니다. 본 논문에서는 여러 조합 문제에 대한 마르코프 결정 과정(MDP)을 설계하고, 해 공간에서 샘플링하도록 조건부 GFlowNet을 학습할 것을 제안합니다. 또한 장거리 크레딧 할당(long-range credit assignment)에 도움이 되는 효율적인 학습 기법도 개발했습니다. 합성 데이터와 실제 데이터를 사용한 다양한 CO 과제에 대한 폭넓은 실험을 통해, GFlowNet 정책이 고품질의 해를 효율적으로 찾을 수 있음을 보입니다. 구현 코드는 https://github.com/zdhNarsil/GFlowNet-CombOpt 에서 오픈소스로 공개되어 있습니다.