A Comprehensive Evaluation of Contemporary ML-Based Solvers for Combinatorial Optimization

要約

機械学習（ML）は、組み合わせ最適化（CO）の問題のモデル設計と最適化をサポートする上でかなりの可能性を実証しています。
ただし、これまでの進歩の多くは、小規模で合成データセットで評価されており、実際の大規模なCOシナリオにおけるMLベースのソルバーの実際の有効性に関する懸念を引き起こしています。
さらに、多くの既存のCOベンチマークには十分なトレーニングデータがなく、データ駆動型アプローチを評価するためのユーティリティを制限しています。
これらの制限に対処するために、Frontiercoを紹介します。Frontiercoは、8つの標準CO問題タイプをカバーし、グラフニューラルネットワークと大規模な言語モデル（LLM）エージェントを含む16の代表MLベースのソルバーを評価する包括的なベンチマークです。
Frontiercoは、産業用アプリケーションとFrontier Co Researchから引き出された挑戦的なインスタンスを特徴としており、現実的な問題の難しさと豊富なトレーニングデータの両方を提供しています。
私たちの経験的結果は、現在のMLメソッドの強みと制限に関する重要な洞察を提供し、機械学習と組み合わせの最適化の交差点で、より堅牢で実質的に関連する進歩を導くのに役立ちます。
データはhttps://huggingface.co/datasets/co-bench/frontiercoで入手できます。

要約(オリジナル)

Machine learning (ML) has demonstrated considerable potential in supporting model design and optimization for combinatorial optimization (CO) problems. However, much of the progress to date has been evaluated on small-scale, synthetic datasets, raising concerns about the practical effectiveness of ML-based solvers in real-world, large-scale CO scenarios. Additionally, many existing CO benchmarks lack sufficient training data, limiting their utility for evaluating data-driven approaches. To address these limitations, we introduce FrontierCO, a comprehensive benchmark that covers eight canonical CO problem types and evaluates 16 representative ML-based solvers–including graph neural networks and large language model (LLM) agents. FrontierCO features challenging instances drawn from industrial applications and frontier CO research, offering both realistic problem difficulty and abundant training data. Our empirical results provide critical insights into the strengths and limitations of current ML methods, helping to guide more robust and practically relevant advances at the intersection of machine learning and combinatorial optimization. Our data is available at https://huggingface.co/datasets/CO-Bench/FrontierCO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google