使用 TabPFN 进行旅行推销员问题的适应与微调
机器学习
2025-11-11 v1 人工智能
组合数学
摘要
Tabular Prior-Data Fitted Network (TabPFN) 是一种专为小型至中型表格数据设计的基础模型，近年来备受关注。本文探讨将 TabPFN 应用于组合优化 (CO) 问题的可能性，以减轻使用传统方法（包括精确算法和启发式算法、机器学习 (ML) 基于模型）求解 CO 问题时常见的计算和数据密集型训练需求的挑战。我们提出了可能首次将 TabPFN 应用于此类目的的方法，具体通过节点基方法和节点预测适应策略来构建整个 TSP 路径。我们的评估在不同实例规模下表明，TabPFN 所需的训练量极少，仅需一个样本即可适应 TSP，能够更好地跨越不同 TSP 实例规模进行泛化，并减少性能衰减。此外，适应和微调的训练过程在几分钟内完成。该方法即使不进行后处理也能实现强大的解质量，并在后处理细化后实现与其他模型相当的性能。我们的发现表明，TabPFN 模型是在训练资源受限和快速部署需求下，解决结构化和 CO 问题的有前景的方案。
引用
@article{arxiv.2511.05872,
title = {Adaptation and Fine-tuning with TabPFN for Travelling Salesman Problem},
author = {Nguyen Gia Hien Vu and Yifan Tang and Rey Lim and Yifan Yang and Hang Ma and Ke Wang and G. Gary Wang},
journal= {arXiv preprint arXiv:2511.05872},
year = {2025}
}