#今日论文推荐# GNN与RL如何几何？KSU大学最新《基于图神经网络的强化学习》综述，阐述RL+GNN算法与应用

#今日论文推荐# GNN与RL如何几何？KSU大学最新《基于图神经网络的强化学习》综述，阐述RL+GNN算法与应用

图神经网络和强化学习都是机器学习中研究的主流模型，如何结合GNN和RL，是一个有趣的问题。最近来自美国堪萨斯州立大学发布了《基于图神经网络的强化学习》综述，阐述相关算法与应用。

深度强化学习(DRL)已经增强了各种人工智能领域的能力，包括模式识别、机器人、推荐系统和游戏。类似地，图神经网络(GNN)也证明了它们在对图结构数据进行监督学习方面的卓越性能。近年来，GNN与DRL在图形结构环境中的融合引起了广泛关注。本文对这些混合工作进行了全面的综述。这些工作可以分为两类: (1)算法增强，其中DRL和GNN相辅相成，发挥更好的效用;(2)特定于应用的增强，其中DRL和GNN相互支持。这种融合有效地解决了工程和生命科学中的各种复杂问题。在此基础上，我们进一步分析了融合这两个域的适用性和好处，特别是在提高通用性和降低计算复杂度方面。最后，强调了整合DRL和GNN的关键挑战，以及潜在的未来研究方向，这将是更广泛的机器学习社区的兴趣。
近年来，深度学习的体系结构、算法和框架得到了爆炸式的发展，用于解决计算机视觉、建模和控制等一系列具有挑战性的现实问题。在这些发展中，使用深度神经网络(DNN)在强化学习(RL)框架内解决顺序决策问题，导致深度强化学习(DRL)被认为是人工智能[1](§II)中最先进的框架之一。该方法应用于组合优化[2]、游戏[3]、机器人[4]、自然语言处理[5]和计算机视觉[6]。DRL在这些应用中的巨大成功可以归功于(1)以一种计算高效、可伸缩和灵活的方式处理复杂问题的能力，这在其他情况下是数值棘手的[7];(2)计算效率高，能够快速生成高保真度解决方案，这在需要实时决策[8]的高动态环境中至关重要;(3)理解环境动力学的能力，并仅基于与环境的交互产生接近最优的行动，而不需要明确的基础系统[9]，[10]的先验知识。
虽然DRL的有效性在游戏中得到了最广泛的证明，但它正在迅速地应用于其他各种现实应用中。其中一些应用程序涉及到显示可以用图形表示的显式结构关系的环境。例如，旅行商问题(TSP)中的城市网络或不完整的知识图谱本质上具有基于图的不同实体排列的特征。在欧几里得空间中处理数据的方法并不适合这种环境，需要在编码节点或聚合来自不同代理的信息方面进行特殊处理。这些方面用图神经网络(GNN)系统建模，详见§II。这种结构关系的融入是一种辅助输入，进一步提高了解决方案的质量。最近，研究人员一直在探索将强大的GNN模型与DRL融合的优势，以有效地解决这类图结构应用。这些混合工作的彻底调研可能是极其有益的，在识别挑战和确定未来的研究方向。此外，一些与DRL相关的综述作品也在[2]、[5]-[15]不断发表。然而，这些综述存在两个主要缺陷: (1)这些调研的大多数是通过特定应用领域的视角进行的。因此，他们被局限于特定的方法，忽视了跨领域的整体视角;(2)据我们所知，目前的文献中还没有关于DRL和GNN联合研究的全面综述。

论文题目：Challenges and Opportunities in Deep Reinforcement Learning with Graph Neural Networks: A Comprehensive review of Algorithms and Applications
详细解读：https://www.aminer.cn/research_report/62bd5d057cb68b460fdf6223https://www.aminer.cn/research_report/62bd5d057cb68b460fdf6223
AMiner链接：https://www.aminer.cn/?f=cs