无监督神经组合优化的扩散模型框架

Abstract

• 从离散集合的不可处理分布中进行采样，而不依赖相应的训练数据，是多个领域的核心问题，包括组合优化。
• 目前，流行的基于深度学习的方法主要依赖于能够提供精确样本概率的生成模型。本文提出了一种方法，打破了这种限制，并为使用诸如扩散模型等高度表达力的潜变量模型开辟了可能性。
• 我们的方法从概念上基于一种上界反向Kullback-Leibler散度的损失函数，从而避免了对精确样本概率的需求。

1. Introduction

从已知但不可处理的高维目标分布（如Boltzmann分布）中进行采样，在许多科学领域具有重要意义，例如分子构型预测（Noé和Wu, 2018）、物理学中的晶格模型（Wu等，2019）以及蒙特卡洛积分（Müller等，2019）。最近，Hibat-Allah等人（2021）和Sanokowski等人（2023）的研究表明，组合优化（CO）