探测神经 TSP 表示以支持处方决策
机器学习
2026-02-10 v1
摘要
神经组合优化 (NCO) 领域通过训练神经策略来解决诸如旅行商问题 (TSP) 等 NP 难问题。我们询问的是，在生成高质量旅行路线之外，训练好的 TSP 求解器是否学习了能够迁移到其他优化相关目标的内部表示，类似于其他领域的迁移学习。我们训练了多个基于注意力机制的 TSP 策略，收集其内部激活值，并在节点/边嵌入上训练探针器，用于两个受真实物流场景启发的 NP 难的处方下游任务：节点移除灵敏度（识别最具影响力的节点）和边禁用灵敏度（识别最关键的保留边）。在训练模型为 Euclidean TSP100 的情况下，针对这两个任务的探针器与现有基线方法竞争力十足。将探针信号与几何特征融合后，优于最强的基线方法：对于最佳节点移除任务实现 65% 的 Top-1 准确率（基线为 58%），对于最差边识别任务实现 73% 的 Top-1 准确率（基线为 67%）。据我们所知，我们是首次将神经 TSP 求解器作为可迁移的编码器，用于超出路线构造之外的处方性 what-if 决策支持目标。最后，我们展示跨训练和模型规模的迁移准确率随求解器质量而提升，表明训练更强的 NCO 求解器也会产生更有用的编码器以服务于下游目标。我们的代码已公开：https://github.com/ReubenNarad/tsp_prescriptive_probe
关键词
引用
@article{arxiv.2602.07216,
title = {Probing Neural TSP Representations for Prescriptive Decision Support},
author = {Reuben Narad and Léonard Boussioux and Michael Wagner},
journal= {arXiv preprint arXiv:2602.07216},
year = {2026}
}
备注
Submitted to ICML 2026