arXiv cs.AI· Tianjue Lin, Jianan Zhou, Jieyi Bi, Yaoxin Wu, Wen Song, Zhiguang Cao, Jie Zhang·· 14 小时前AI 评分18
NeurPRISE：用 GNN-Transformer 加速两阶段鲁棒优化的场景缩减
Learning Scenario Reduction for Two-Stage Robust Optimization with Discrete Uncertainty
AI 导读
针对离散不确定性下的两阶段鲁棒优化（2RO），研究者提出问题驱动的场景缩减方法 PRISE，并进一步用 GNN-Transformer 骨干的神经代理模型 NeurPRISE 学习场景排序打分，以模仿学习从 PRISE 蒸馏边际增益信息。
正文 · AI 翻译
摘要：具有离散不确定性的两阶段鲁棒优化（2RO）具有挑战性，往往使精确求解难以实现。场景缩减通过选取一个规模小且具代表性的场景子集，使计算变得可行，从而缓解这一问题。然而，现有方法大多与具体问题无关，仅基于不确定性集合进行运算，而不考虑可行域或追索结构。本文提出 PRISE，一种问题驱动的序贯前瞻启发式方法，通过评估每个场景的边际影响来构建缩减后的场景集。尽管 PRISE 能生成高质量的场景子集，但每个选择步骤都需要求解多个子问题，使其在大规模下计算代价高昂。为此，我们提出 NeurPRISE，一种基于 GNN-Transformer 骨干网络的神经代理模型，它通过图卷积编码每个场景的结构，并通过注意力机制捕捉场景间的交互。NeurPRISE 采用模仿学习并结合增益感知的排序目标进行训练，将 PRISE 中的边际增益信息蒸馏为用于场景排序与选择的学习评分函数。在三个 2RO 问题上的大量结果表明，NeurPRISE 相对于综合方法始终取得有竞争力的遗憾值，在不同场景数量下保持良好的可扩展性，并相较 PRISE 实现 17-200 倍加速。NeurPRISE 还展现出强大的零样本泛化能力，能够有效处理问题规模更大（最高 5 倍）、场景更多（最高 4 倍）以及分布偏移的实例。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2605.14494 [cs.AI] |
| （或本版本使用 arXiv:2605.14494v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2605.14494 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tianjue Lin [查看邮箱]
[v1]
2026 年 5 月 14 日星期四 07:34:13 UTC（1,358 KB）
[v2]
2026 年 10 月 26 日星期一 12:26:33 UTC（1,357 KB）
来源：arXiv cs.AI · arxiv.org