Projection Agents：以潛在動作空間加速圖形組合優化
圖形組合優化問題常因組合爆炸而難以精確求解。研究提出投影代理，在連續的圖神經網路潛在動作空間直接運算，僅以單次前傳預測目標潛在向量，並以簡單最近鄰解碼轉為合法離散動作。實驗顯示推論加速至16.2x，泛化提升約40%，並釋出LaGCO-RL函式庫協助重現與適配。
要點速報
投影代理（projection agents）提出一條不同路徑：把強化學習的動作問題從龐大的離散空間，轉到圖神經網路產生的連續潛在動作空間中直接操作。
方法與貢獻
該方法以GNN編碼觀察和動作，模型僅以單次前傳預測期望的潛在向量，之後以簡單的最近鄰策略將向量解碼成合法的離散動作。研究亦採用一個共用嵌入空間，使不同RL方法能在相同條件下比較。
實驗與影響
在多項圖形組合優化基準上，方法在推論速度上最高達16.2倍的加速，泛化表現提升幅度達近40%。此外，作者釋出LaGCO-RL函式庫，自動化潛在動作空間構建，便於研究者在新基準上重現與調整。
延伸閱讀
- ConsDreamer：透過VDM與相似性序關係損失校正T2I先驗於3D Gaussian Splatting的視角偏差
- MetaEarth3D：尺度遞進與幾何—材質分離的世界尺度三維生成框架
- FreqFormer：以頻域感知注意力與頻譜路由優化長序列視訊擴散效能
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。
