通过结构学习的神经网络可塑性：图组合优化的学习增强算法
机器学习
2025-11-26 v1 机器学习
摘要
神经模型在解决 NP-hard 图组合优化 (CO) 问题方面显示出前景。训练后，它们提供快速推理和相当高质量的解，适用于分布内测试实例，但通常在绝对解质量方面不足，以传统基于搜索的算法为后者，后者虽然较慢，但一旦搜索完成即可提供最优性保证。我们提出了一种新框架，将推理效率和探索性力量的神经模型与搜索算法的最优解质量保证相结合。具体而言，我们使用参数化算法 (PAs) 作为搜索组件。PAs 专用于识别一般 NP-hard 问题的易实例，允许通过利用所识别的易实例的结构简单性实现实际高效的搜索。在我们的框架下，我们使用参数化分析识别 CO 实例中结构上困难的部分。神经模型通过其数据驱动的理解为处理这些困难部分生成咨询信号。基于 PAs 的搜索组件然后将咨询信号整合到系统和高效地搜索剩余结构上容易的部分。值得注意的是，我们的框架对神经模型的选择是中性的，并且比仅使用的神经求解器产生严格更好的解。我们在多个 CO 任务上检验我们的框架。实证结果表明，它实现了优异的解质量，与商业求解器相当。此外，通过仅为探索性咨询信号使用神经模型，我们的框架在改进的分布外概括性方面表现更好，解决了现有神经 CO 求解器的一个关键局限性。
引用
@article{arxiv.2511.19573,
title = {Neural Tractability via Structure: Learning-Augmented Algorithms for Graph Combinatorial Optimization},
author = {Jialiang Li and Weitong Chen and Mingyu Guo},
journal= {arXiv preprint arXiv:2511.19573},
year = {2025}
}