无监督组合优化的测试时适应

无监督神经网络组合优化 (NCO) 使无需真实解答的情况下学习强大的求解器。现有方法分为两个互斥范式：一种是针对跨实例的泛化训练的模型，另一种是无监督地针对单个实例独立优化的模型。尽管前者在推理时高效，却缺乏有效的实例级可适应性；后者灵活但未能利用已学习的归纳结构，且容易陷入差垒局部最优。这激发了我们工作的核心问题：如何在保持利用通过泛化学习获得的归纳偏置的同时，解锁实现有效实例级适应所需的灵活性？我们首先识别了在桥接这两个范式中的挑战：专注于泛化的模型常常是实例级优化的差糟热启动，可能在测试时精细调优后不如随机初始化模型。为解决这一不兼容性，我们提出 TACO 框架，这是一个模型中性的测试时适应方法，统一并扩展了现有无监督 NCO 的两个范式。TACO 对部分放宽已训练参数的热启动进行策略性调整，同时保持归纳偏置，从而实现快速且高效的无监督适应。关键在于，与对已训练的可泛化模型进行粗略精细调优或从头优化实例特定模型相比，TACO 在更好的解决方案质量方面表现更优，同时增加的计算成本几乎可以忽略不计。在最小顶点覆盖、最大团、最大独立集和最大割等经典问题上进行的实验表明，TACO 在静态、分布迁移和动态组合优化问题上均表现出色和鲁棒性，证明其作为通用无监督 NCO 之间实用的桥梁。