UniHetCO：用于无监督神经组合优化的统一异构表示
机器学习
2026-03-13 v1
摘要
无监督神经组合优化（Unsupervised Neural Combinatorial Optimization，简称 NCO）通过训练无需真实解的求解器，直接最小化实例目标和约束违规，提供了对监督方法的新颖选择。然而，对于图节点子集选择问题（如最大克里克图和最大独立集），现有无监督方法通常仅针对单一问题类别，依赖问题特定的代理损失，限制了在统一框架内跨类别学习。本文提出 UniHetCO，一种用于受约束二次规划组合优化的统一异构图表示，编码问题结构、目标项和线性约束于单一输入。该表述使单一模型可跨多个问题类别进行训练，采用统一无标签目标。为提高多问题学习的稳定性，我们采用基于梯度范数的动态加权方案，以缓解不同类别之间的梯度不平衡。在多个数据集和四个受约束问题类别上的实验表明，UniHetCO 在性能上与最先进的无监督 NCO 方法相当，具备强大的跨问题适应潜力，并为在紧张时间限制下使用商业经典求解器提供有效的热启动。
引用
@article{arxiv.2603.11456,
title = {UniHetCO: A Unified Heterogeneous Representation for Multi-Problem Learning in Unsupervised Neural Combinatorial Optimization},
author = {Kien X. Nguyen and Ilya Safro},
journal= {arXiv preprint arXiv:2603.11456},
year = {2026}
}