提出了一种基于元学习的训练流程，用于寻找未来遇到的问题实例的良好初始化而不是直接给出答案。该方法在各种评估设置下都取得了良好的实证性能。
Jan, 2023
本文对神经网络在传统组合优化框架中的性能、可迁移性、计算成本和对更大样本的普适性进行了详细研究，并在 NP-hard 问题线性排序问题上开发了神经组合优化模型。
May, 2022
本论文研究利用一种基于心理学的课程学习方法来提高神经网络在组合优化问题中的性能，以达到与传统的确定性求解器相当甚至更好的精度和效率。
Nov, 2020
我们提出了一种高效的元神经启发式方法（EMNH），通过使用基于深度强化学习的神经启发式方法来解决多目标组合优化问题，以提高学习效率和解决质量。
Oct, 2023
研究人员通过学习对抗鲁棒性，研究 NP 难 / NP 完全问题的解决方案的几何深度学习。他们利用 SAT 和 TSP 的扰动模型，并研究了局部泛化属性以揭示困难的，与模型特定的实例和虚假特征有关的因素。最终，他们表明了被评估的神经解算器在小的问题实例扰动上没有很好地泛化。
Oct, 2021
本文提出第一个对组合优化求解器的实用鲁棒性度量方法，并针对 14 个算法和 CO 问题进行了广泛的实验，在给定时间限制下，发现目前的最先进算法（如 Gurobi）在指定的难例上的性能下降了超过 20％，使人们对组合优化求解器的鲁棒性产生担忧。
Dec, 2021
GOAL 是一种通用模型，基于机器学习启发式算法，能够高效地解决多种复杂组合优化问题，并且具有强大的迁移学习能力。
Jun, 2024
我们提出了一种新颖的具有强大泛化能力的轻量级编码器和重型解码器模型（LEHD model），它可以解决大规模的组合优化问题，包括旅行推销员问题（TSP）和车辆路径问题（CVRP），并且能够推广到实际世界的相关问题。
通过最大可满足性问题（Max-SAT）提出了一种统一的图上组合优化问题（CO）的预训练和适应框架，能够提取可转移和可推广的特征，以解决图上不同 CO 问题。
Dec, 2023
大规模神经组合优化模型的实例条件适应模型 (ICAM) 和基于强化学习的训练方案可在不同规模下解决旅行商问题 (TSP) 并实现最佳性能。
May, 2024