Efficient Graph Coloring with Neural Networks: A Physics-Inspired Approach for Large Graphs

Автор: fondazione-fair

Загружено: 2025-12-09

Просмотров: 13

Описание: Andrea Cacioppo (Sapienza Università di Roma, FAIR Spoke 5) presents "Efficient Graph Coloring with Neural Networks: A Physics-Inspired Approach for Large Graphs"

This presentation is part of the Virtual Young Poster Session of the FAIR 2025 General Conference.
For more information: https://fondazione-fair.it/general-co...

Abstract:
Graph-Coloring, is a well-known combinatorial optimization problem, that finds numerous applications in different fields. Exact solutions to the graph coloring problem become computationally infeasible for large graphs and specific connectivities.
We propose a GNN-based algorithm, trained leveraging a physics-informed semi-supervised loss in to solve the graph coloring problem. Although the proposed model is unable to obtain a perfect coloring for every graphs, it can be used as an alternative to traditional optimization algorithms, outperforming them in terms of time efficiency and scalability. In order to demonstrate the performances of the GNN optimizer, a comparison between the model and the simulated annealing algorithm in the case of is presented, applied to Erdos-Renyi Graphs.

Не удается загрузить Youtube-плеер. Проверьте блокировку Youtube в вашей сети.
Повторяем попытку...

Efficient Graph Coloring with Neural Networks: A Physics-Inspired Approach for Large Graphs

Доступные форматы для скачивания:

Скачать видео

Информация по загрузке:

Скачать аудио

Похожие видео

Но что такое нейронная сеть? | Глава 1. Глубокое обучение

Но что такое нейронная сеть? | Глава 1. Глубокое обучение

Управление поведением LLM без тонкой настройки

Управление поведением LLM без тонкой настройки

Как внимание стало настолько эффективным [GQA/MLA/DSA]

Как внимание стало настолько эффективным [GQA/MLA/DSA]

This Tiny Donut (Almost) Broke Physics in 1986

This Tiny Donut (Almost) Broke Physics in 1986

Как LLM могут хранить факты | Глава 7, Глубокое обучение

Как LLM могут хранить факты | Глава 7, Глубокое обучение

Понимание GD&T

System Design Concepts Course and Interview Prep

System Design Concepts Course and Interview Prep

Все, что вам нужно знать о теории управления

Все, что вам нужно знать о теории управления

Что происходит с нейросетью во время обучения?

Что происходит с нейросетью во время обучения?

Краткое объяснение больших языковых моделей

Краткое объяснение больших языковых моделей

Понимание сталей и термообработки

Понимание сталей и термообработки

LLM и GPT - как работают большие языковые модели? Визуальное введение в трансформеры

LLM и GPT - как работают большие языковые модели? Визуальное введение в трансформеры

Градиентный спуск, как обучаются нейросети | Глава 2, Глубинное обучение

Градиентный спуск, как обучаются нейросети | Глава 2, Глубинное обучение

Объяснение Transformers: понимание модели, лежащей в основе GPT, BERT и T5

Объяснение Transformers: понимание модели, лежащей в основе GPT, BERT и T5

Формулы для обратного распространения ошибки | Глава 4. Глубокое обучение

Формулы для обратного распространения ошибки | Глава 4. Глубокое обучение

Как происходит модернизация остаточных соединений [mHC]

Как происходит модернизация остаточных соединений [mHC]

Теорема Байеса, геометрия изменения убеждений

Теорема Байеса, геометрия изменения убеждений

FAIR Acceleration Program - FAIR General Conference 2025

FAIR Acceleration Program - FAIR General Conference 2025

Объяснение сверточных нейронных сетей (визуализация CNN)

Объяснение сверточных нейронных сетей (визуализация CNN)

Линейная комбинация, линейная оболочка и базисные векторы | #2 Основы линейной алгебры

Линейная комбинация, линейная оболочка и базисные векторы | #2 Основы линейной алгебры