通过对抗实例增强提升精确求解器的泛化能力
机器学习
2026-05-29 v2
摘要
机器学习已成功应用于提升混合整数线性规划（MILP）求解器的效率。然而，基于学习的求解器常在未见MILP实例上出现严重性能退化——尤其在来自扰动环境的大规模实例上——原因在于训练分布多样性有限。为解决这个问题，我们提出一种称为对抗实例增强的新方法（AdaSolver），它无需知晓问题类型即可生成新实例，从而为分支定界（B&B）求解器中的基于学习的分支模块促进数据多样性。我们使用MILP实例的二部图表示，并通过以学习的增强策略增广图结构来获得多种扰动实例以正则化求解器。AdaSolver的主要技术贡献在于，我们将不可微的实例增强表述为上下文赌博机问题，并对抗式训练基于学习的求解器与增强策略，从而实现增强策略的基于梯度的有效训练。据我们所知，AdaSolver是首个用于理解并改善基于模仿学习（IL-based）与基于强化学习（RL-based）的B&B求解器泛化能力的通用有效框架。大量实验表明，通过生成多种增广实例，AdaSolver在各分布上均带来显著的效率提升。
引用
@article{arxiv.2310.14161,
title = {Promoting Generalization for Exact Solvers via Adversarial Instance Augmentation},
author = {Haoyang Liu and Yufei Kuang and Jie Wang and Xijun Li and Yongdong Zhang and Feng Wu},
journal= {arXiv preprint arXiv:2310.14161},
year = {2026}
}