La riducibilità computazionale migliora i modelli CO trasferibili su grafi

Una nuova preprint su arXiv (2603.02462) introduce un encoder basato su reti neurali a grafi (GNN) che sfrutta la riducibilità computazionale per migliorare l'apprendimento per trasferimento in compiti di ottimizzazione combinatoria (CO). La ricerca, annunciata come aggiornamento replace-cross, affronta la sfida di generalizzare i solver neurali a compiti non visti. L'encoder proposto utilizza un modulo GCON per un message passing espressivo e funzioni di perdita non supervisionate basate sull'energia, ottenendo prestazioni competitive su singoli compiti CO. Gli autori propongono strategie di pre-addestramento e fine-tuning informate dalla riducibilità computazionale, dimostrando un trasferimento efficace tra Maximum Vertex Cover (MVC), Maximum Independent Set (MIS) e Maximum Clique (MaxClique), nonché in un contesto multi-task che include MaxCut, Minimum Dominating Set (MDS) e colorazione dei grafi. In un setup di apprendimento multi-task leave-one-out, il pre-addestramento su tutti i compiti tranne uno accelera quasi sempre la convergenza sul compito escluso. L'articolo è disponibile su arXiv all'URL https://arxiv.org/abs/2603.02462.