🤖 machine learning

Graph Neural Network-Informed Predictive Flows for Faster Ford-Fulkerson and PAC-Learnability

यह शोध पत्र एक लर्निंग-ऑगमेंटेड फ्रेमवर्क प्रस्तावित करता है जो एज इम्पोर्टेंस प्रोबेबिलिटीज (edge importance probabilities) की भविष्यवाणी करने के लिए एक मैसेज पासिंग ग्राफ न्यूरल नेटवर्क को एकीकृत करता है, जिससे अनुकूलतमता (optimality) को बनाए रखते हुए मैक्स-फ्लो कंप्यूटेशन और इमेज सेगमेंटेशन को त्वरित करने के लिए एक संशोधित फोर्ड-फुलकर्सन एल्गोरिदम को निर्देशित किया जा सके।

मूल लेखक: Eleanor Wiesler, Trace Baxley

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eleanor Wiesler, Trace Baxley

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य चित्र: ट्रैफिक जाम को हल करने का एक स्मार्ट तरीका

कल्पना कीजिए कि आप एक जलाशय (Source) से एक स्विमिंग पूल (Sink) तक पाइपों के एक जटिल भूलभुलैया के माध्यम से अधिक से अधिक पानी ले जाने की कोशिश कर रहे हैं। कुछ पाइप चौड़े हैं, कुछ संकीले हैं, और कुछ पहले से ही जाम हैं। यह क्लासिक "मैक्स-फ्लो" (Max-Flow) समस्या है।

इसे हल करने का पारंपरिक तरीका फोर्ड-फुलकर्सन एल्गोरिदम (Ford-Fulkerson algorithm) है। इसे एक बहुत ही मेहनती लेकिन थोड़े नासमझ प्लंबर के रूप में सोचें। वह बार-बार ऐसे किसी भी रास्ते की तलाश करता है जहाँ से पानी बह सके, उस रास्ते पर पानी की एक बाल्टी भेजता है, और फिर पाइपों की दोबारा जाँच करता है। वह इसे तब तक बार-बार दोहराता रहता है जब तक कि और पानी निकलना बंद न हो जाए।

समस्या: यदि प्लंबर एक गलत रास्ता चुन लेता है (जैसे कि एक छोटा, घुमावदार पाइप) बजाय एक बड़े हाईवे के, तो वह बहुत समय बर्बाद करता है। उसे सबसे अच्छा रास्ता खोजने से पहले हजारों रास्तों की जाँच करनी पड़ सकती है।

समाधान: यह पेपर इस प्लंबर को एक क्रिस्टल बॉल (एक ग्राफ न्यूरल नेटवर्क, या GNN) देने का प्रस्ताव देता है। अंदाज़ा लगाने के बजाय, क्रिस्टल बॉल पूरी भूलभुलैया को देखती है और कहती है, "हे, वह बड़ा पाइप सबसे महत्वपूर्ण है! चलो पहले वहां पानी भेजते हैं।"

दो मुख्य तरकीबें

लेखकों ने इस "क्रिस्टल बॉल" का उपयोग करने के दो विशिष्ट तरीके विकसित किए हैं ताकि काम को तेज़ किया जा सके।

1. "हेड स्टार्ट" (एल्गोरिदम 1: GCN वॉर्म-स्टार्ट)

उपमा: कल्पना कीजिए कि प्लंबर काम की जगह पर पहुँचता है। आमतौर पर, वह खाली पाइपों के साथ शुरुआत करता है। लेकिन इस नई विधि के साथ, क्रिस्टल बॉल भविष्यवाणी करती है कि लेआउट के आधार पर प्रत्येक पाइप में वास्तव में कितना पानी होना चाहिए।
यह कैसे काम करता है: प्लंबर के अपना पहला बाल्टी भरने से पहले ही, GNN पाइपों को पानी की एक "सर्वश्रेष्ठ अनुमानित" मात्रा से भर देता है। इसे वॉर्म-स्टार्टिंग (Warm-Starting) कहा जाता है।
परिणाम: प्लंबर को पाइपों को शुरू से भरने की ज़रूरत नहीं होती। उसे बस छोटी-मोटी लीकेज को ठीक करना है और स्तर को थोड़ा ऊपर लाना है। इससे बहुत सारा समय बचता है क्योंकि वह काम के शुरुआती, धीमे चरणों को छोड़ देता है।

2. "स्मार्ट कंपास" (एल्गोरिदम 2 और 3: MPGNN एज स्कोरिंग)

उपमा: हेड स्टार्ट मिलने के बाद भी, प्लंबर को अभी भी अगला सबसे अच्छा रास्ता ढूंढने की आवश्यकता होती है। आमतौर पर, वह बिना सोचे-समझे भटकता रहता है। यह नई विधि उसे एक स्मार्ट कंपास देती है।
यह कैसे काम करता है:
- GNN हर एक पाइप को देखता है और उसे एक "स्कोर" (0 से 100%) देता है, जो यह दर्शाता है कि उस पाइप के "गोल्डन पाथ" (वह रास्ता जो सबसे अधिक पानी ले जाता है) का हिस्सा होने की कितनी संभावना है।
- प्लंबर सभी पाइपों को एक प्राथमिकता सूची (एक Max-Heap) में डालता है, जिसे "सबसे महत्वपूर्ण" से "सबसे कम महत्वपूर्ण" के क्रम में व्यवस्थित किया गया है।
- भटकने के बजाय, वह सूची में से शीर्ष पाइप को पकड़ता है और उसके चारों ओर एक रास्ता बनाता है।
जादू: GNN विशेष है क्योंकि यह एक साथ दो चीजें सीखता है:
1. नोड एम्बेडिंग्स (Node Embeddings): "पड़ोस" को समझना (क्या यह पाइप किसी बाधा/बॉटलनेक के पास है?)।
2. एज एम्बेडिंग्स (Edge Embeddings): "स्वयं पाइप" को समझना (क्या यह चौड़ा है? क्या यह जाम है?)।
- रूपक: यह एक GPS की तरह है जो न केवल यह जानता है कि आप कहाँ हैं, बल्कि यह भी जानता है कि आप जिस भी सड़क पर मुड़ने वाले हैं वहाँ ट्रैफिक की स्थिति कैसी है, और यह अपनी सलाह को रीयल-टाइम में अपडेट करता है।

इमेज सेगमेंटेशन क्यों? ("केक काटने" का रूपक)

यह पेपर इमेज सेगमेंटेशन (Image Segmentation) पर परीक्षण करता है।

समस्या: आपके पास एक फूल की फोटो है। आप बैकग्राउंड से फूल को अलग करना चाहते हैं।
संबंध: कंप्यूटर विज्ञान में, एक इमेज को काटना गणितीय रूप से पाइप नेटवर्क में "मैक्स फ्लो" खोजने के समान है।
- सोर्स (Source) फूल है।
- सिंक (Sink) बैकग्राउंड है।
- पाइप्स (Pipes) पिक्सल के बीच के कनेक्शन हैं।
- कट (Cut) वह रेखा है जहाँ फूल समाप्त होता है और बैकग्राउंड शुरू होता है।
महत्व: "प्लंबर" को तेज़ बनाकर, हम फोटो से इमेज को बहुत तेज़ी से काट सकते हैं। यह सेल्फ-ड्राइविंग कारों (पैदल यात्रियों की पहचान करने) या मेडिकल इमेजिंग (ट्यूमर खोजने) जैसी चीज़ों के लिए बहुत बड़ा है।

"गणितीय" भाग (सरल भाषा में)

यह पेपर एक बहुत ही महत्वपूर्ण प्रश्न भी पूछता है: "क्या एक कंप्यूटर वास्तव में यह करना सीख सकता है?"

वे PAC-लर्नबिलिटी (PAC-Learnability) (संभावित रूप से लगभग सही - Probably Approximately Correct) नामक एक अवधारणा का उपयोग करते हैं।

प्रश्न: यदि हम कंप्यूटर को फूलों की 1,000 तस्वीरें दिखाते हैं, तो क्या वह नियमों को इतनी अच्छी तरह से सीख पाएगा कि वह उस नए फूल पर काम कर सके जिसे उसने पहले कभी नहीं देखा है?
उत्तर: हाँ! लेखकों ने गणितीय रूप से सिद्ध किया कि ग्रिड जैसी छवियों (जैसे फोटो) के लिए, कंप्यूटर नियमों को सीख सकता है। उन्होंने दिखाया कि क्योंकि फोटो में एक नियमित संरचना होती है (पिक्सेल हमेशा एक ग्रिड में होते हैं), इसलिए यह कंप्यूटर के लिए सीखना आसान है बजाय इसके कि पाइप किसी रैंडम या अराजक उलझन में हों।

योगदान का सारांश

सिद्धांत (Theory): उन्होंने सिद्ध किया कि कंप्यूटर को "सबसे अच्छा पाइप" का अनुमान लगाना सिखाना गणितीय रूप से संभव और कुशल है।
एल्गोरिदम 1 (हेड स्टार्ट): एक प्रणाली जो पाइपों को एक स्मार्ट अनुमान के साथ पहले से भर देती है, जिससे शुरुआत में समय बचता है।
एल्गोरिदम 2 और 3 (स्मार्ट कंपास): एक प्रणाली जो पाइपों को महत्व के आधार पर रैंक करती है, ताकि एल्गोरिदम हमेशा सबसे अच्छा रास्ता पहले चुने, और खराब रास्तों को छोड़ दे।
हाइब्रिड (The Hybrid): इन दोनों का एक संयोजन, जो अंतिम रूप से स्पीड-बूस्ट प्रदान करता है।

निचोड़ (The Bottom Line)

यह पेपर कंप्यूटर को एक बेहतर प्लंबर बनाने के बारे में है। अंधे होकर हर रास्ते को आज़माने के बजाय, कंप्यूटर नेटवर्क में "हाईवे" को पहचानना सीख जाता है। यह जटिल समस्याओं (जैसे इमेज काटना या डेटा रूट करना) को काफी तेज़ बनाता है, बिना सटीकता से समझौता किए। यह एक व्यक्ति के घर-घर जाकर दरवाजा खटखटाने से लेकर एक डिलीवरी ड्रोन में अपग्रेड करने जैसा है, जो तुरंत सबसे तेज़ रास्ता जानता है।

यहाँ शोध पत्र "Graph Neural Network-Informed Predictive Flows for Faster Ford-Fulkerson and PAC-Learnability" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फोर्ड-फुलकर्सन एल्गोरिदम (Ford-Fulkerson algorithm) नेटवर्क में मैक्सिमम फ्लो (अधिकतम प्रवाह) और मिनिमम कट (न्यूनतम कट) की गणना करने के लिए एक शास्त्रीय विधि है। हालांकि यह सैद्धांतिक रूप से सुदृढ़ है, लेकिन इसका व्यावहारिक प्रदर्शन इस बात पर अत्यधिक निर्भर करता है कि ऑगमेंटिंग पाथ (augmenting paths) के चयन का क्रम क्या है। खराब पथ चयन के कारण पुनरावृत्तियों (iterations) की संख्या बढ़ सकती है, जिससे अभिसरण (convergence) धीमा हो जाता है।

मौजूदा लर्निंग-ऑगमेंटेड दृष्टिकोण (जैसे डेविस एट अल.) ने ग्राफ न्यूरल नेटवर्क (GNNs) का उपयोग करके एक वार्म-स्टार्ट फ्लो (warm-start flow) (एक प्रारंभिक व्यवहार्य प्रवाह) की भविष्यवाणी करके इसे तेज करने का प्रयास किया है। हालांकि, ये विधियाँ अक्सर पुनरावृत्ति प्रक्रिया के दौरान विशिष्ट ऑगमेंटिंग पाथ के चयन को निर्देशित करने में विफल रहती हैं। इसके अलावा, जटिल ग्राफ संरचनाओं में विशिष्ट एज उपयोगिता (जैसे, क्या कोई एज मिन-कट या इष्टतम पथ का हिस्सा है) की भविष्यवाणी करने की PAC-learnability (प्रोबेबली एप्रोक्सिमेटली करेक्ट) के संबंध में सैद्धांतिक गारंटी का अभाव है।

यह शोध पत्र दो मुख्य चुनौतियों का समाधान करता है:

बार-बार इन्फरेंस (inference) किए बिना, केवल इनिशियलाइजेशन के लिए ही नहीं, बल्कि ऑगमेंटिंग पाथ चयन को गतिशील रूप से निर्देशित करने के लिए GNN का उपयोग कैसे किया जाए।
क्या इमेज सेगमेंटेशन ग्राफ्स के संदर्भ में, फ्लो ऑप्टिमाइजेशन के लिए एज महत्व की संभावनाओं (edge importance probabilities) की भविष्यवाणी करना सैद्धांतिक रूप से PAC-learnable है।

2. कार्यप्रणाली (Methodology)

लेखक एक लर्निंग-ऑगमेंटेड फ्रेमवर्क प्रस्तावित करते हैं जो तीन विशिष्ट एल्गोरिदम रणनीतियों और एक सैद्धांतिक आधार के माध्यम से ग्राफ न्यूरल नेटवर्क को फोर्ड-फुलकर्सन एल्गोरिदम के साथ एकीकृत करता है।

A. सैद्धांतिक आधार: एज चयन की PAC-Learnability

लेखक उच्च-उपयोगिता वाले किनारों (एज) को चुनने की समस्या को (जो मिन-कट या इष्टतम ऑगमेंटिंग पाथ में होने की संभावना रखते हैं) एक मल्टी-क्लास क्लासिफिकेशन समस्या के रूप में औपचारिक रूप देते हैं।

हाइपोथीसिस क्लास (Hypothesis Class): वे एक लीनियर फंक्शन $h_w(G, e) = w \cdot \phi(G, e)$ को परिभाषित करते हैं, जहाँ $\phi$ एज मेट्रिक्स (जैसे, शॉर्टेस्ट पाथ डिस्टेंस, डिग्री, रेसिडुअल कैपेसिटी) का प्रतिनिधित्व करता है।
जटिलता सीमाएं (Complexity Bounds): नटराज डायमेंशन (Natarajan dimension) (मल्टी-क्लास समस्याओं के लिए VC डायमेंशन का सामान्यीकरण) का उपयोग करते हुए, वे सैंपल कॉम्प्लेक्सिटी बाउंड्स प्राप्त करते हैं।
ग्रिड ग्राफ्स (Grid Graphs): वे सिद्ध करते हैं कि इमेज सेगमेंटेशन कार्यों (जिन्हें ग्रिड ग्राफ के रूप में मॉडल किया गया है) के लिए, किनारों की संख्या $O(n^2)$ (पूर्ण ग्राफ की तरह) के बजाय $O(n)$ होती है। इसके परिणामस्वरूप टाइट PAC बाउंड्स प्राप्त होते हैं, जिससे सामान्य ग्राफों की तुलना में कम ट्रेनिंग सैंपल्स के साथ एज प्रोबेबिलिटी प्रेडिक्शन संभव हो जाता है।

B. एल्गोरिदम 1: GCN-आधारित वार्म-स्टार्ट

आर्किटेक्चर: 3 लेयर्स और ReLU एक्टिवेशन के साथ एक ग्राफ कन्वोल्यूशनल नेटवर्क (GCN)।
इनपुट: एक इमेज जिसे सोर्स ( $s$ ) और सिंक ( $t$ ) नोड्स के साथ ग्रिड ग्राफ में परिवर्तित किया गया है। नोड फीचर्स में स्थानिक निर्देशांक (spatial coordinates), तीव्रता (intensity), और सीड लेबल्स शामिल हैं।
आउटपुट: प्रत्येक एज के लिए अनुमानित फ्लो वैल्यू।
तंत्र (Mechanism): अनुमानित फ्लो को कैपेसिटी कंस्ट्रेंट्स का सम्मान करने के लिए क्लिप किया जाता है और फोर्ड-फुलकर्सन एल्गोरिदम को इनिशियलाइज करने के लिए उपयोग किया जाता है। यह बॉटलनैक्स को "प्री-सैचुरेट" करता है, जिससे ग्लोबल ऑप्टिमम तक पहुँचने के लिए आवश्यक ऑगमेंटिंग स्टेप्स की संख्या कम हो जाती है।

C. एल्गोरिदम 2: MPGNN-निर्देशित एज स्कोरिंग

आर्किटेक्चर: एक मेसेज पासिंग ग्राफ न्यूरल नेटवर्क (MPGNN) जो एक परस्पर निर्भर अपडेट मैकेनिज्म के माध्यम से नोड एम्बेडिंग्स और एज एम्बेडिंग्स को संयुक्त रूप से सीखता है।
- नोड अपडेट एज स्टेट्स (रेसिडुअल कैपेसिटी, फ्लो हिस्ट्री) पर निर्भर करते हैं।
- एज अपडेट नोड स्टेट्स (टोपोलॉजी, टर्मिनल्स से निकटता) पर निर्भर करते हैं।
आउटपुट: प्रत्येक एज के लिए एक प्रोबेबिलिटी स्कोर $p(e) \in [0, 1]$ , जो इस बात का संकेत देता है कि वह एज एक उच्च-कैपेसिटी ऑगमेंटिंग पाथ या मिन-कट का हिस्सा होने की कितनी संभावना रखता है।
उपयोग: इन स्कोर को प्रक्रिया के प्रारंभ में एक मैक्स-हीप (max-heap) में कैश किया जाता है।

D. एल्गोरिदम 3: GNN-सहायता प्राप्त फोर्ड-फुलकर्सन (मुख्य नवाचार)

हर इटरेशन में GNN को दोबारा चलाने के बजाय (जो कम्प्यूटेशनल रूप से महंगा है), लेखक एक सिंगल-इन्फरेंस, मल्टी-स्टेप दृष्टिकोण प्रस्तावित करते हैं:

इन्फरेंस: प्रारंभिक रेसिडुअल ग्राफ पर एक बार MPGNN चलाएं ताकि एज प्रोबेबिलिटी प्राप्त की जा सके।
प्राथमिकता (Prioritization): किनारों को $p(e)$ द्वारा सॉर्ट किए गए मैक्स-हीप में स्टोर करें।
द्विदिश पथ निर्माण (Bidirectional Path Construction):
- हीप से उच्चतम-संभावना वाला एज $e^* = (v, w)$ चुनें।
- सोर्स $s$ से $v$ तक और $w$ से सिंक $t$ तक एक संशोधित डेप्थ-फर्स्ट सर्च (DFS) करें।
- DFS को हीप से उच्च-संभावना वाले किनारों को प्राथमिकता देने के लिए "एडजस्ट" किया जाता है (और यह बॉटलनेक कैपेसिटी के आधार पर एडमंड्स-काप्स टाई-ब्रेकिंग का उपयोग करता है)।
ऑगमेंटेशन: पाथ को जोड़ने के लिए पाथ्स ( $s \to v \to w \to t$ ) को संयोजित करें, फ्लो पुश करें, और रेसिडुअल ग्राफ को अपडेट करें।
इटरेशन: तब तक दोहराएं जब तक कि कोई पाथ मौजूद न रहे। यदि कोई एज सैचुरेटेड (रेसिडुअल ग्राफ से हटाया गया) हो जाता है, तो उसे हीप से भी हटा दिया जाता है।

3. प्रमुख योगदान

सैद्धांतिक PAC-Learnability: सिद्ध किया कि ग्राफ मेट्रिक्स के आधार पर किनारों का चयन करना PAC-learnable है। विशेष रूप से, यह प्रदर्शित किया कि ग्रिड-आधारित इमेज ग्राफ अपने स्पार्स और स्ट्रक्चर्ड स्वभाव के कारण सामान्य ग्राफों की तुलना में टाइट सैंपल कॉम्प्लेक्सिटी बाउंड्स प्रदान करते हैं ( $O(n)$ किनारे)।
नवीन MPGNN आर्किटेक्चर: एक ऐसा फ्रेमवर्क पेश किया जो नोड और एज एम्बेडिंग्स को संयुक्त रूप से सीखता है, जिससे मॉडल ग्लोबल स्ट्रक्चरल कॉन्टेक्स्ट और लोकल फ्लो डायनेमिक्स (बॉटलनेक्स, रेसिडुअल कैपेसिटी) दोनों को कैप्चर कर सकता है।
कुशल इन्फरेंस रणनीति: एक ऐसा पाइपलाइन विकसित किया जहाँ एकल GNN इन्फरेंस एक प्रायोरिटी क्यू के माध्यम से पूरे फोर्ड-फुलकर्सन को निर्देशित करता है, जिससे विकसित होते रेसिडुअल ग्राफ्स पर बार-बार इन्फरेंस करने की कम्प्यूटेशनल लागत से बचा जा सके।
द्विदिश पथ रणनीति: एक ह्यूरिस्टिक प्रस्तावित किया जो उच्चतम-संभावना वाले एज को सोर्स और सिंक से जोड़कर ऑगमेंटिंग पाथ का निर्माण करता है, जो प्रभावी रूप से मिन-कट की "खोज" करता है।
हाइब्रिड विस्तार: अधिकतम दक्षता के लिए GCN-आधारित वार्म-स्टार्टिंग और MPGNN-आधारित एज प्रायोरिटाइजेशन दोनों का उपयोग करने वाले एक संयुक्त दृष्टिकोण (एल्गोरिदम 4) की रूपरेखा तैयार की।

4. परिणाम और प्रदर्शन

इष्टतमता (Optimality): यह विधि मैक्स-फ्लो/मिन-कट समाधान की इष्टतमता को सुरक्षित रखती है। GNN केवल पथ चयन के क्रम को निर्देशित करता है, अंतिम फ्लो वैल्यू को नहीं।
दक्षता: यह मानक अनइंफॉर्म्ड DFS या एडमंड्स-काप्स की तुलना में आवश्यक ऑगमेंटिंग इटरेशन्स की संख्या को काफी कम कर देता है।
अनुप्रयोग: इस फ्रेमवर्क को इमेज सेगमेंटेशन कार्यों पर मान्य किया गया। सेगमेंटेशन परिणाम (जो मिन-कट से प्राप्त होता है) एक ठोस विज़ुअलाइज़ेशन के रूप में कार्य करता है, जो दर्शाता है कि सीखा गया स्ट्रक्चरल इनसाइट प्रभावी ढंग से ऑब्जेक्ट बाउंड्रीज़ (बॉटलनेक्स) की पहचान करता है।
कोडबेस: लेखकों ने इमेज-टू-ग्राफ जनरेशन, GNN ट्रेनिंग और फ्लो कंप्यूटेशन के लिए एक पुनरुत्पादनीय (reproducible) कोडबेस प्रदान किया है।

5. महत्व

यह कार्य लर्निंग-ऑगमेंटेड कॉम्बिनेटरियल ऑप्टिमाइज़ेशन में एक महत्वपूर्ण कदम है।

सिद्धांत और व्यवहार के बीच सेतु: यह केवल सरल "वार्म-स्टार्ट" ह्यूरिस्टिक्स से आगे बढ़कर, सीखे गए एज प्रोबेबिलिटीज का उपयोग करके इटरेटिव एल्गोरिदम को निर्देशित करने के लिए एक सैद्धांतिक रूप से स्थापित विधि प्रदान करता है।
स्केलेबिलिटी: बार-बार GNN इन्फरेंस से बचकर, यह विधि लर्निंग-ऑगमेंटेड फ्लो एल्गोरिदम को बड़े, डायनेमिक ग्राफों के लिए व्यवहार्य बनाती है जहाँ पारंपरिक पुनः-इन्फरेंस बहुत धीमा होगा।
डोमेन विशिष्टता: यह रेखांकित करता है कि कैसे डोमेन-विशिष्ट संरचनाओं (जैसे इमेज ग्रिड) का लाभ उठाकर बेहतर सैद्धांतिक लर्नबिलिटी बाउंड्स प्राप्त किया जा सकता है, जो यह सुझाव देता है कि विशिष्ट ग्राफ परिवारों के लिए अनुकूलित GNN आर्किटेक्चर सामान्य-उद्देश्य वाले दृष्टिकोणों से बेहतर प्रदर्शन कर सकते हैं।
भविष्य का प्रभाव: यह पेपर अन्य कॉम्बिनेटरियल समस्याओं (जैसे रूटिंग, मैचिंग) को हल करने के लिए GNNs का उपयोग करने के लिए एक आधार स्थापित करता है, जहाँ ऑपरेशन्स का क्रम रनटाइम को महत्वपूर्ण रूप से प्रभावित करता है, बशर्ते अंतर्निहित चयन समस्या PAC-learnable हो।

संक्षेप में, यह शोध पत्र एक मजबूत, सैद्धांतिक रूप से न्यायसंगत फ्रेमवर्क प्रस्तावित करता है जो एकल-पास GNN इन्फरेंस का उपयोग करके फोर्ड-फुलकर्सन में ऑगमेंटिंग पाथ को बुद्धिमानी से प्राथमिकता देता है, जिससे इमेज सेगमेंटेशन और मैक्स-फ्लो समस्याओं के लिए तेज़ अभिसरण प्राप्त होता है और गणितीय इष्टतमता बनी रहती है।