研究人员推出了一种新颖的框架 TACO，旨在增强无监督神经网络组合优化。该方法弥合了为通用问题实例训练的模型与专门为单个测试用例优化的模型之间的差距。TACO 战略性地预热训练好的参数，保留学到的归纳偏置，同时允许在没有显著计算开销的情况下进行灵活的、实例级别的自适应。在各种组合问题上的实验表明，与现有方法相比，TACO 在实现更好的解质量方面是有效的。 AI
影响 通过结合泛化能力和实例特定自适应来引入一种改进优化求解器的新方法。
排序理由 这是一篇详细介绍无监督组合优化新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2601.21048v2 Announce Type: replace Abstract: Unsupervised neural combinatorial optimization (NCO) enables learning powerful solvers without access to ground-truth solutions. Existing approaches fall into two disjoint paradigms: models trained for generalization across inst…