HyCO-এর সারমর্ম
HyCO — Hybrid Neural Solver for Combinatorial Optimization। এই পদ্ধতি একটি RL-সলভার দিয়ে সমাধানের একটি প্রিফিক্স তৈরি করে। এরপর অভিযোজিতভাবে একটি শর্তসাপেক্ষ ডিফিউশন মডেলে স্যুইচ করে। এটি বাকি সমাধানগুলো সম্পূর্ণ করে। এই হাইব্রিড নিউরাল কম্বিনেটোরিয়াল অপটিমাইজেশনের সমস্যাগুলো সমাধান করে। এর লক্ষ্য হলো দুই শ্রেণির সলভারের শক্তিশালী দিকগুলোকে একত্র করা।
কাজটি arXiv:2609.07990 হিসেবে পাওয়া যায়। লেখক: Yuheng Li, Di Yang, Haipeng Chen, Yanhai Xiong। প্রিপ্রিন্টটি cs.LG এবং cs.AI-এর অন্তর্গত। লেখকরা 7 Sep 2026-এ v1 সংস্করণ জমা দিয়েছেন। এই তথ্য মূল উৎস খুঁজে বের করতে এবং বিস্তারিত যাচাই করতে সহায়তা করে।
ব্যবহারিক তাৎপর্য: HyCO একটি সলভারকে অন্যটি দিয়ে প্রতিস্থাপন করে না, বরং তাদের মধ্যে переход নিয়ন্ত্রণ করে।
একক কৌশলগুলো কোথায় ভেঙে পড়ে
Sequential RL-সলভার এবং গ্লোবাল DM-সলভার পরস্পর পরিপূরক ব্যর্থতার ধরন দেখায়। এটি অপটিমাইজেশন regret-এ দৃশ্যমান।
| সলভার শ্রেণি | শক্তিশালী দিক | দুর্বল দিক |
|---|---|---|
| Sequential RL | নির্মাণের প্রাথমিক পর্যায়ে ছোট মার্জিনাল regret | হরাইজন জুড়ে ত্রুটি জমা হয়; regret অতিরৈখিকভাবে বাড়ে |
| Global DM | হরাইজন জুড়ে সঞ্চয় এড়ায় | অবশিষ্ট অমীমাংসিত সাবস্পেসের মাত্রার সাপেক্ষে রৈখিক বা উপ-রৈখিক regret |
সিদ্ধান্ত: ব্যর্থতাগুলো মিলে যায় না। RL শুরুতে ভালো, কিন্তু হরাইজনে ভোগে। DM হরাইজন-ত্রুটি জমা করে না, কিন্তু অবশিষ্ট সমস্যার আকারের জন্য মূল্য দেয়। হাইব্রিডাইজেশন এই ফাঁকটি কাজে লাগায়।
স্যুইচিংয়ের তাত্ত্বিক কাঠামো
লেখকরা ত্রুটির স্কেলিংয়ের একটি একক তাত্ত্বিক কাঠামো তৈরি করেন। ত্রুটির স্কেলিং সম্পর্কে স্পষ্ট অনুমানের অধীনে কাঠামোটি দুটি বিষয় প্রমাণ করে।
- হাইব্রিড কাঠামো দুটি বেস স্কিমের প্রতিটির চেয়ে কঠোরভাবে কম প্রত্যাশিত regret দেয়।
- একটি অনন্য সর্বোত্তম স্যুইচিং ধাপ বিদ্যমান, যা হাইব্রিডের regret কমিয়ে আনে।
লেখকরা প্রত্যাশিত regret-এর স্তরে সর্বোত্তম ধাপ নির্ধারণ করেন। পৃথক ট্রাজেক্টরিতে এটি সরাসরি গণনা করা যায় না। তাই একটি ব্যবহারিক ট্রিগার প্রয়োজন।
সিদ্ধান্ত: তত্ত্ব ব্যাখ্যা করে কেন হাইব্রিড সাহায্য করে এবং কখন হস্তান্তর শুরু করতে হবে। এটি প্রতিটি ট্রাজেক্টরির জন্য প্রস্তুত সূত্র দেয় না।
অভিযোজিত ট্রিগার কীভাবে কাজ করে
HyCO একটি হালকা অভিযোজিত ট্রিগার ব্যবহার করে। ট্রিগারটি পলিসি এনট্রপি এবং RL-DM ডাইভারজেন্স একত্র করে। এই সংকেতগুলো ট্রাজেক্টরি স্তরে মোড পরিবর্তন শনাক্ত করে। এগুলো একটি ব্যবহারিক প্রক্সি হিসেবে কাজ করে। এই প্রক্সি প্রয়োজন কারণ সর্বোত্তম স্যুইচিং ধাপ পৃথক ট্রাজেক্টরিতে গণনা করা যায় না।
ট্রিগারটি RL প্রিফিক্স সমাপ্ত করে। শর্তসাপেক্ষ DM বাকি সমাধানগুলো সম্পূর্ণ করে। ব্যবহারিক মানদণ্ড: পলিসি এনট্রপি এবং RL-DM ডাইভারজেন্স লক্ষ্য রাখা। এই সংকেতগুলো মোড পরিবর্তন এবং হস্তান্তরের মুহূর্ত নির্দেশ করে। ট্রিগারটি হালকা এবং অভিযোজিত থাকে।
পরীক্ষা-নিরীক্ষা এবং নির্বাচনের মানদণ্ড
বিভিন্ন বেঞ্চমার্কে পরীক্ষা-নিরীক্ষায় HyCO উভয় বেস সলভারের তুলনায় স্থিতিশীল উন্নতি দেয়। ফলাফলগুলো অভিযোজিত ট্রিগারের অভিজ্ঞতাভিত্তিক কার্যকারিতাও নিশ্চিত করে।
ব্যবহারিক নির্বাচনের মানদণ্ড: কম্বিনেটোরিয়াল অপটিমাইজেশনের জন্য একটি inference-অ্যালগরিদম প্রয়োজন। এটি প্রাথমিক প্রিফিক্সের জন্য RL এবং বাকি সমাধানের জন্য DM ব্যবহার করে। হাইব্রিড প্রতিটি বেস স্কিমের তুলনায় প্রত্যাশিত regret কমায়। HyCO RL-অনুসন্ধান এবং ডিফিউশন-সম্পূর্ণতার উপরে একটি স্যুইচিং স্তর হিসেবে উপযুক্ত। এটি তাদের মধ্যে переход নিয়ন্ত্রণ করে।
