提出了 G2MILP 方法，它作为第一个深度生成 MILP 实例的框架，通过将 MILP 实例表示为二分图，并应用掩码变分自编码器来生成新的实例，既不依赖于专家设计的公式，同时又能保持真实世界数据集的结构和计算难度，从而为增强 MILP 求解器提供有限数据的下游任务提供帮助。

Oct, 2023

提出了一种结合了判别和生成模型，基于弱监督深度学习的新型深度学习框架，用于解决多示例学习中来自于正实例标签不确定性的挑战，并成功应用于音频事件检测和分类任务中，相对以往的研究成果表现更优，具有良好的可扩展性。

Jul, 2018

这篇论文介绍了 Distributional MIPLIB，一个多领域问题分布库，用于推进基于机器学习引导的 MILP 方法的研究。通过从现有的工作和未使用的实际问题中策划 MILP 分布，并对其进行不同难度级别的分类，它为该领域的研究提供了便利，从而实现了对多样化和现实领域的全面评估。我们通过两种方式经验性地说明了使用 Distributional MIPLIB 作为研究工具的好处：评估了在先前未使用的分布上使用 ML 引导变量分支的性能，以确定改进的潜在领域；此外，我们提出了从混合分布中学习分支策略，证明了与同质分布相比，当数据有限且能很好地推广到较大实例时，混合分布能实现更好的性能。

Jun, 2024

通过深度学习来解决混合整数规划（MIP）模型中固有的计算复杂性，并比较前馈神经网络（ANN）和卷积神经网络（CNN）在逼近 MIP 问题中的活动维度的效果，利用多标签分类来纳入多个活动维度，通过贝叶斯优化进行超参数调优以提升模型性能，并应用于基于流量的设施位置分配混合整数线性规划（MILP）问题，描述个性化医疗供应链中的长期投资规划和中期战略规划。

Jan, 2024

通过对混合整数线性规划问题应用机器学习，我们提出了一种新方法 AdaSolver，通过实例增强来改善分支定界求解器的泛化效果，从而显著提高效率。

Oct, 2023

本文介绍了一种将机器学习与混合整数规划相结合的方法，通过构建两个神经网络组件 Neural Diving 和 Neural Branching 来生成高质量的联合变量分配和绑定目标值差异，在实验中，该方法比传统方法得到了更好的结果。

Dec, 2020

本文旨在探讨深度神经网络以及与之相关的 0-1 混合整数线性规划模型，并描述了一种有效的边界紧缩技术，旨在促进其解决方案。文中还介绍了 0-1 混合整数线性规划模型在特征可视化和对抗样本构建中的可能应用，并针对手写数字识别这一已知的测试用例，报告了关于使用最先进的混合整数线性规划求解器在小规模 DNN 上的计算性能的初步结果。

Dec, 2017

提出了一种称作 MIP-GNN 的混合整数规划改进方法，利用图神经网络模型预测混合整数线性规划的变量偏差，并将其集成到一个先进的 MIP 求解器中，针对二进制 MILP 的节点选择和启发式方面展示了与默认设置相比的显著改进。

May, 2022

本研究提出了一种基于深度神经网络和 Bernstein 多项式估计的专用实例方法 ProMIL 来解决多实例学习中标签分配问题，并证明其在医学应用方面胜过标准基于实例模型。

Jun, 2023

该研究介绍了一种新的决策集中学习方法，可以优化预测模型，支持将问题编码为混合整数线性规划，并使用割平面算法求解。实验结果表明，该方法在多个实际领域中的性能优于现有方法。

Jul, 2019