RoME：面向跨域 MILP 解预测的域鲁棒混合专家模型
机器学习
2025-11-05 v1
摘要
混合整数线性规划（MILP）是建模复杂优化问题的基础且强大的框架。最近，基于学习的方法在通过预测高质量解来加速 MILP 求解器方面显示出巨大的潜力。然而，大多数现有方法在单域设置下开发并评估，限制了其对未知问题分布的泛化能力。这一限制是构建可扩展且通用学习型求解器的主要障碍。为此，我们提出 RoME，一个域鲁棒的混合专家框架，用于跨域预测 MILP 解。RoME 根据学习到的任务嵌入动态将问题实例路由到专门的专家。模型采用两级分布鲁棒优化训练策略：跨域以缓解域间全局迁移，域内以增强局部鲁棒性的方式对任务嵌入引入扰动。我们发现，跨域训练不仅提升了模型对未知域的泛化能力，还能提高每个单独域内的性能，通过鼓励模型捕获更普遍的内在组合模式。具体而言，一个在三个域上训练的单一 RoME 模型在五个不同域上评估时平均提升了 67.7%。我们进一步在零样预测下对预训练模型在 MIPLIB 上的测试，表明其能在现实世界中具有挑战性的实例上实现可衡量的性能提升，而现有的学习型方法往往难以泛化。
引用
@article{arxiv.2511.02331,
title = {RoME: Domain-Robust Mixture-of-Experts for MILP Solution Prediction across Domains},
author = {Tianle Pu and Zijie Geng and Haoyang Liu and Shixuan Liu and Jie Wang and Li Zeng and Chao Chen and Changjun Fan},
journal= {arXiv preprint arXiv:2511.02331},
year = {2025}
}