Un cadre de modèle de diffusion pour l'optimisation combinatoire neuronale non supervisée

Apprendre à échantillonner à partir de distributions intractables sur des ensembles discrets sans s'appuyer sur des données d'entraînement correspondantes est un problème central dans un large éventail de domaines, y compris l'optimisation combinatoire. Actuellement, les approches basées sur l'apprentissage profond populaires s'appuient principalement sur des modèles génératifs qui fournissent des probabilités d'échantillon exactes. Ce travail introduit une méthode qui lève cette restriction et ouvre la possibilité d'employer des modèles de variables latentes hautement expressifs comme les modèles de diffusion. Notre approche est conceptuellement basée sur une perte qui borne par le haut la divergence de Kullback-Leibler inverse et évite l'exigence de probabilités d'échantillon exactes. Nous validons expérimentalement notre approche dans l'optimisation combinatoire sans données et démontrons que notre méthode atteint un nouvel état de l'art sur un large éventail de problèmes de référence.