化妆品最新资讯：深度学习与组合求解器的巧妙融合，解决组合泛化能力不足的问题
在计算机科学领域，有两个重要的研究方向：一是传统的离散优化算法，如图算法（SAT求解器、整数规划求解器）；二是近年来的深度学习，它使得数据驱动特征提取和端到端系统设计成为可能。那么，我们能否将组合泛化能力较差的组合器与深度学习相结合？
ICLR 2020 spotlight 论文《Differentiation of Blackbox Combinatorial Solvers》探讨了这一问题。论文中，作者试图将无缝融入深度神经网络，并在魔兽争霸最短路径问题、最小损失完美匹配问题以及旅行商问题中进行了测试。结果表明，其方法比传统方法更有效。
此外，文章还介绍了如何利用仿射插值来定义分段目标函数，使得梯度不再处处为零，而不会影响求解器的最优性。此技术可以通过超参数λ控制多面体偏移，从而提供有用的梯格。
为了验证该方法，实验设计了一些具有复杂性的综合任务。在这些任务中，该方法已经证明其对于组合泛化至关重要。此外，由于简单监督学习无法泛化至未见过的数据，这些任务也展示了此方法对解决未知数据集上的问题的必要性。
总结来说，这篇论文成功地结合了深度学习和现有的组合求解器，以提高对各种复杂问题（如魔兽争霸中的最短路径）的解决能力。这项工作有望开辟新的可能性，将AI技术应用于实践场景。
