Суть HyCO
HyCO — Hybrid Neural Solver for Combinatorial Optimization. O método constrói um prefixo de solução com um solucionador de RL. Em seguida, alterna de forma adaptativa para um modelo de difusão condicional. Ele completa as soluções restantes. O híbrido resolve tarefas de otimização combinatória neural. Sua tarefa é unir os pontos fortes de duas classes de solucionadores.
O trabalho está disponível como arXiv:2609.07990. Autores: Yuheng Li, Di Yang, Haipeng Chen, Yanhai Xiong. O preprint pertence a cs.LG e cs.AI. Os autores submeteram a versão v1 em 7 Sep 2026. Esses dados ajudam a encontrar a fonte primária e verificar detalhes.
Sentido prático: HyCO não substitui um solucionador por outro, mas gerencia a transição entre eles.
Onde as estratégias isoladas falham
Solucionadores de RL sequenciais e solucionadores de DM globais apresentam modos de falha complementares. Isso é visível no regret de otimização.
| Classe de solucionador | Ponto forte | Ponto fraco |
|---|---|---|
| Sequential RL | Pequeno regret marginal no estágio inicial de construção | Os erros se acumulam ao longo do horizonte; o regret cresce de forma superlinear |
| Global DM | Evita o acúmulo ao longo do horizonte | Regret linear ou sublinear em relação à dimensionalidade do subespaço não resolvido restante |
Conclusão: as falhas não coincidem. O RL é bom no início, mas sofre com o horizonte. O DM não acumula erro de horizonte, mas paga pelo tamanho da tarefa restante. A hibridização aproveita essa lacuna.
Estrutura teórica de comutação
Os autores constroem uma estrutura teórica unificada de escalonamento de erros. Sob suposições explícitas sobre o escalonamento de erros, a estrutura prova duas proposições.
- A estrutura híbrida proporciona um regret esperado estritamente menor do que cada um dos dois esquemas base isoladamente.
- Existe um único passo de comutação ótimo que minimiza o regret do híbrido.
Os autores definem o passo ótimo no nível do regret esperado. Em trajetórias individuais, ele não pode ser calculado diretamente. Por isso, é necessário um gatilho prático.
Conclusão: a teoria responde por que o híbrido ajuda e quando acionar a transferência. Ela não fornece uma fórmula pronta para cada trajetória.
Como funciona o gatilho adaptativo
O HyCO usa um gatilho adaptativo leve. O gatilho combina a entropia da política e a divergência RL-DM. Esses sinais identificam a mudança de regime no nível da trajetória. Eles servem como proxy prático. Esse proxy é necessário porque o passo de comutação ótimo não é calculado em uma trajetória individual.
O gatilho encerra o prefixo de RL. O DM condicional completa as soluções restantes. Critério prático: acompanhar a entropia da política e a divergência RL-DM. Esses sinais indicam a mudança de regime e o momento da transferência. O gatilho permanece leve e adaptativo.
Experimentos e critério de escolha
Nos experimentos em diversos benchmarks, o HyCO proporciona melhorias consistentes em relação a ambos os solucionadores base. Os resultados também confirmam a eficácia empírica do gatilho adaptativo.
Critério prático de escolha: é necessário um algoritmo de inferência para otimização combinatória. Ele usa RL para o prefixo inicial e DM para as soluções restantes. O híbrido reduz o regret esperado em relação a cada esquema base. O HyCO é adequado como camada de comutação sobre a busca por RL e o complemento por difusão. Ele gerencia a transição entre eles.
