KI-gestützte Graph-Visualisierung: Hybrid-Ansatz übertrifft Heuristiken

In einem neuen Beitrag auf arXiv wird ein innovativer Hybridansatz vorgestellt, der maschinelles Lernen mit klassischen Metaheuristiken kombiniert, um das komplexe Problem der konformen inkrementellen Graphzeichnung (C‑IGDP) zu lösen. Durch die Einbindung von Graph Representation Learning (GRL) soll die latente Struktur von Graphen effizienter erkannt und in den Entscheidungsprozess der Heuristik integriert werden.

Der Ansatz, Graph Learning GRASP (GL‑GRASP), erweitert die bekannte Greedy Randomized Search Procedure (GRASP) um eine Lernkomponente, die aus den Graphdaten Embeddings erzeugt. Dabei wurden verschiedene node‑embedding‑Methoden getestet; tiefes Lernen zeigte sich dabei als besonders leistungsfähig. Die Embeddings werden in der Aufbauphase von GRASP genutzt, um bessere Startlösungen zu generieren.

Die Leistungsbewertung erfolgte anhand des primal‑integral‑Messwerts, der die Lösungsgüte in Abhängigkeit von der benötigten Rechenzeit misst. GL‑GRASP übertraf die bisherigen state‑of‑the‑art‑Heuristiken deutlich und erzielte niedrigere Integralwerte, was auf eine schnellere Konvergenz hinweist. Diese Ergebnisse deuten darauf hin, dass die Kombination aus Lernstrategie und Metaheuristik einen echten Mehrwert bietet.

Ein zusätzlicher Skalierungstest mit neu generierten, dichter besetzten Instanzen unter einem festen Zeitlimit bestätigte die Robustheit des Ansatzes. GL‑GRASP blieb auch bei steigender Graphgröße stabil und erzielte weiterhin überlegene Ergebnisse. Der Beitrag liefert damit einen vielversprechenden Weg, um graphbasierte Visualisierungsaufgaben effizienter zu lösen.