投射一致性推論（PCI）提升神經 TSP 求解效能
神經組合優化近期在歐式旅行推銷員問題（TSP）上取得佳績，主要透過擴散模型與一致性模型產生解答。傳統的 FT2T 方法結合快速的一致性預測與梯度微調，但梯度搜尋耗時且不一定符合離散解的結構。研究者提出投射一致性推論（PCI），以結構感知的投射取代梯度微調，先從一致性模型輸出解碼合法的哈密頓迴路，再以輕量的 2‑opt 局部搜尋優化。
神經組合優化近期在歐式旅行推銷員問題（TSP）上取得顯著成績，主要依賴擴散模型與一致性模型等生成式方法。
FT2T 的限制
目前最先進的 FT2T 方案結合快速的一致性預測與梯度式推論時間微調，然而梯度搜尋不僅計算成本高，且常與可行解的離散結構不相容。
投射一致性推論（PCI）概念
PCI 以 plug‑and‑play、免重新訓練的方式取代梯度微調，直接從一致性模型的輸出解碼出合法的哈密頓迴路，接著套用輕量的局部搜尋（如 2‑opt）進行結構感知的優化。
實驗結果
在 500 城市的 TSP 測試中，PCI 的平均最優差距（OG）為 0.17%，在 1000 城市測試中為 0.31%。相較之下，FT2T 的最佳設定分別為 0.22% 與 0.36%。此外，PCI 將推論時間縮減 30% 至 40%，且呈現較低的變異與記憶體需求，甚至在快速生成解答時可超越傳統啟發式 LKH3。
意義與未來方向
研究證明，結構感知的推論操作為神經 TSP 求解提供了實務且原理上可行的路徑，能有效補足訓練階段的目標，未來可擴展至其他組合最佳化問題。
延伸閱讀
- 以 NCE 與 SSE 驗證的 AgentSOC：結合生成式推理與圖形化可行性驗證
- pAI/MSc：以人為監督的多代理研究管線與可審計 LangGraph 工作流
- MedSkillAudit：以分層審核評估醫學研究代理人技能的部署準備度
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
