Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 연구는 언롤링된 솔버를 이용해 MAX-CUT의 연속적 페널티 완화 스케줄을 학습하는 방법을 제시합니다. 상태 적응형 쌍선형(bilinear) 스케줄은 분포 외(OOD)에서도 우수한 일반화 성능을 보였습니다. 반면, 가산적 제거 방식은 OOD 환경에서 자체 기준선보다 성능이 떨어지는 것이 확인되었습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기우리는 언롤링(unrolled)된 고전적 솔버를 통해 역전파(backpropagating)함으로써 MAX-CUT의 연속적인 페널티 완화(continuous penalty relaxation)에 대한 스케줄을 학습합니다. 상태에 무관한(state-blind) 스케줄은 훈련에 사용된 인스턴스보다 훨씬 큰 인스턴스로 일반화됩니다. 상태 적응형(state-adaptive) 쌍선형(bilinear) 스케줄은 또한 분포 외(out of distribution)로 일반화되며, 15개의 시드에 걸쳐($t=4.1$) 훈련되지 않은 기준선보다 우수한 성능을 보입니다. 이와 대조적으로, 동일한 입력과 출력 헤드를 가진 가산적 제거(additive ablation)는 분포 내에서는 쌍선형 모델과 통계적으로 구별할 수 없지만, 분포 외에서는 자체 기준선보다 성능이 떨어집니다($t=-11.7$). 이러한 분리는 정규화(regularization) 없이 나타나며, 30 라운드 가중치 감쇠(weight-decay) 스윕 전반에 걸쳐 지속됩니다: 쌍선형의 이점은 테스트된 모든 값에서 여전히 유의미한 반면, 가산적 모델은 회복되지 않습니다. 이 설정에서의 결과는 상태 적응성 자체보다는 솔버 상태가 스케줄에 어떻게 진입하는지를 분포 외 전이(out-of-distribution transfer)와 관련된 아키텍처적 차이로 격리합니다.