Использование Вейсфейлер-Леман свойств для отбора алгоритмов в оптимизации
arXiv:2610.121197v1 Тип уведомления: новое резюме: отбор алгоритма имеет важное значение для эффективного программирования с использованием конструкторов. С годами успешно применялись многие алгоритмы, основанные на методах машинного обучения, однако традиционные методы экстракции объектов часто полагаются на ручные статистические данные о конкретных случаях, которые не отражают основную проблемную структуру. В настоящем документе мы стремимся восполнить этот пробел путем внедрения новой автоматизированной методологии извлечения характеристик, которая объединяет преобразование графов и ядра графиков Weisfayler-Lehman в целях создания надежных структурных представлений проблемных случаев. Тест на 1WL ограничивает способность граф-различить стандартную графическую сеть сообщений (GNS) и подходящие архитектуры GNN соответствуют этому связуемому \citep {Xuetal2018}. Технологии, основанные на WL, предлагают альтернативу, которая не требует подготовки GNN. Наш основной вклад заключается в ограниченном представительстве (\texttt {WLc}), предназначенном для моделирования структурных разделов и обеспечения
