桥接局部与全局知识：面向近最短路径路由的级联混合专家学习
机器学习
2026-03-17 v1 网络与互联网体系结构
摘要
虽然利用局部特征的深度学习模型在密集欧几里得图中展示出显著潜力用于近最优路由，但在稀疏网络中难以很好地泛化，因为拓扑不规则需要更广泛的结构意识。为此，我们训练了一个级联混合专家(Ca-MoE)来解决全序对近最短路径(APNSP)路由问题。我们的Ca-MoE是一种模块化的两层架构，支持前向选择器的决策，下层专家依赖局部特征，上层专家依赖全局特征。它实现了自适应推理，仅当下层专家无法实现足够决策质量时，才触发上层专家。通过仅在拓扑复杂性所需时才升级模型容量来实现计算效率，同时避免参数冗余。此外，我们纳入了在线元学习策略，以促进独立专家的微调，并利用以稳定性为导向的更新机制防止在遇到新图环境时发生灾难性遗忘。实验评估表明，Ca-MoE路由在稀疏网络中相对于单一专家基线提高了最高29.1%的准确率，并在各种图密度下保持距离理论上界1%-6%的性能。
引用
@article{arxiv.2603.15541,
title = {Bridging Local and Global Knowledge: Cascaded Mixture-of-Experts Learning for Near-Shortest Path Routing},
author = {Yung-Fu Chen and Anish Arora},
journal= {arXiv preprint arXiv:2603.15541},
year = {2026}
}