未实现的期望：最大独立集问题上AI方法与经典算法的比较

AI方法，如生成模型和强化学习，最近已被应用于组合优化（CO）问题，特别是NP难问题。本文在最大独立集（MIS）问题上比较了此类基于GPU的方法与经典的基于CPU的方法。令人惊讶的是，即使在分布内的随机图上，领先的AI启发方法也始终被在单个CPU上运行的最先进经典求解器KaMIS所超越，并且一些AI启发方法甚至常常无法超越最简单的基于度的贪心启发式算法。即使采用局部搜索等后处理技术，AI启发方法的表现仍逊于基于CPU的求解器。为了更好地理解这些失败的根源，我们引入了一种新颖的分析方法——序列化分析，它揭示出非回溯的AI启发方法，例如LTFT（基于GFlowNets），其推理最终类似于最简单的基于度的贪心算法，因而劣于KaMIS。更一般地，我们的发现表明需要重新思考当前AI用于组合优化的方法，倡导更严格的基准测试和经典启发式算法的原则性集成。此外，我们还发现基于CPU的算法KaMIS在稀疏随机图上具有强大性能，这似乎表明Coja-Oghlan和Efthymiou（2015）提出的关于大独立集的破碎阈值猜想不适用于现实规模（如10^6个节点）。