GAP: Generalizable Approximate Graph Partitioning Framework(广义近似图划分框架)
Abstract图划分是将一个图的节点划分为平衡的分区,同时最小化跨分区的边割的问题。由于它的组合性质,许多近似解被开发出来,包括多层次方法和谱聚类的变体。我们提出了GAP,一个可推广的近似划分框架,这需要深入学习图划分的方法。我们定义了一个表示划分目标的可微损失函数,并利用反向传播优化网络参数。与按图重做优化的基线不同,GAP具有泛化能力,允许我们训练在推理时产生性能分区的模型,即使是在看不见的