Neues Modell nutzt Reduktion, um Graph-CO-Modelle übertragbar zu machen

In einer bahnbrechenden Veröffentlichung auf arXiv wird ein neues neuronales Modell vorgestellt, das die Generalisierung von Graph-basierten kombinatorischen Optimierungsaufgaben (CO) erheblich verbessert. Durch die Kombination eines GCON‑Moduls – einer ausdrucksstarken Nachrichtenübertragung – mit energiebasierten, unüberwachten Verlustfunktionen erreicht das Modell Spitzenleistungen, die oft mit den besten bestehenden Ergebnissen konkurrieren.

Der Schlüssel zum Erfolg liegt in der intelligenten Nutzung von Erkenntnissen aus der Literatur zur computationalen Reduktion. Das Team hat Strategien zum Pre‑Training und Fine‑Tuning entwickelt, die eine effektive Übertragung zwischen klassischen Problemen wie Minimum Vertex Cover (MVC), Maximum Independent Set (MIS) und MaxClique ermöglichen. Darüber hinaus funktioniert die Methode in einem Multi‑Task‑Learning‑Setting, das zusätzlich MaxCut, Minimum Dominating Set (MDS) und Graph Coloring umfasst.

Besonders beeindruckend ist die Leave‑One‑Out‑Analyse: Durch Pre‑Training auf allen Aufgaben außer einer wird das Modell beim Feintuning auf die verbleibende Aufgabe nicht nur schneller konvergiert, sondern auch negative Transferphänomene vermieden. Diese Ergebnisse zeigen, dass gemeinsame Repräsentationen über mehrere Graph‑CO‑Probleme hinweg machbar sind, wenn man expressive Nachrichtenübertragung mit gezielten Pre‑Training‑Strategien kombiniert.

Die Autoren stellen ihre Open‑Source‑Implementierung unter https://github.com/semihcanturk/COPT-MT zur Verfügung und ebnen damit einen wichtigen Weg zur Entwicklung von fundamentalen Modellen für neuronale kombinatorische Optimierung.