arXiv cs.AI· Hironori Ohigashi·· 11 小时前AI 评分29
LangNCO：将自然语言约束编译为推理时干预，实现冻结神经组合优化求解器的部署后适配
LangNCO: Compiling Natural-Language Constraints into Inference-Time Interventions for Neural Combinatorial Optimization
AI 导读
LangNCO 框架把实例级自然语言需求编译为结构化推理时干预，在不改动冻结 NCO 求解器架构、输入表示与参数的前提下完成部署后适配。
正文 · AI 翻译
摘要：神经组合优化（NCO）能针对训练中遇到的问题结构快速生成高质量解，但部署后运行需求可能发生变化，并以自然语言传达。我们提出 LangNCO，一个将实例特定需求编译为结构化推理时干预的框架，作用于冻结的 NCO 求解器，且不改变预训练策略的架构、已学习的输入表示或参数。预训练的 LLM 作为可替换的语义前端，将每条需求翻译为经模式验证的领域特定语言（DSL）规则集。确定性规则执行器将这些规则作为非扩张硬动作掩码应用。由于局部掩码只能防止即时违规，无法保证仍可到达完整的可行延续，Critical-Offset Decoding 提取规则引用的关键节点，并将固定 rollout 预算的一部分重新分配给多强度偏置 rollout。我们使用受控的任务特定语言将求解器适配与开放式语言鲁棒性隔离开来，在道路封闭、时间窗、车辆分配、访问顺序要求、所有两两组合以及另外十二种约束类型上评估 CVRP 策略。LangNCO 在四个主要数据集上实现 100% 可行性，平均参考差距为 1.63--3.26%；在将分别生成的规则组合用于两两约束时，可行性为 97.33--100%；在额外约束上可行性为 98.67%。这些结果展示了通过可检查的语言派生规则对冻结 NCO 求解器进行模块化训练后适配，而无需重新训练。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.23190 [cs.LG] |
| （或 arXiv:2610.23190v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23190 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hironori Ohigashi [查看电子邮件]
[v1]
2026年10月16日星期五 09:26:02 UTC（127 KB）
来源：arXiv cs.AI · arxiv.org