INViT：具有不变嵌套视图变换器的通用路由问题求解器
内容提要
该文汇总多项神经组合优化研究：提出集成策略提升神经VRP求解器泛化能力，在TSPLIB和CVRPLIB上优于先进构造方法；PriViT实现隐私预测；GradViT揭示ViT易受反演攻击；元学习框架快速适应新任务；可微规划器用于机器人导航；多分辨率与对称性保持方法求解TSP和VRP；Transformer超网络构建内隐表示；ViTAE增强图像特征；自注意力强化学习求解TSP和CVRP；大邻域搜索框架解决VRP。
延伸解读
集成策略如何提升泛化能力
文章提出将学习局部可转移拓扑特征的辅助策略与典型构造策略结合，形成集成策略。联合训练使各策略协作互补，从而提升泛化能力。实验显示，该集成策略在TSPLIB和CVRPLIB基准上优于先进构造方法，并能处理数千节点的真实世界问题。这为神经VRP求解器在实际环境中的可行性提供了改进思路。
ViT安全与隐私的相关研究
文章汇总了ViT在安全与隐私方面的两项研究。PriViT通过温和改变ViT中的非线性变换，在维持预测准确性的同时适应安全多方计算协议，实现隐私预测，并在延迟-准确性Pareto曲线上优于现有方案。GradViT则揭示ViT因注意力机制比CNN更易受基于梯度的反演攻击，能将随机噪声优化为自然图像以重建原始数据批次。
组合优化中的多分辨率与对称性保持
文章提到一种通过多分辨率和对称性保持的数据驱动方法，用于求解旅行商问题和车辆路径问题。实验证明该模型超过现有基准线，并强调了对称性保持和多分辨率对于解决组合问题的重要性。这提示在神经组合优化中，利用问题的对称性和多尺度特征可能有助于提升求解性能。
Q&A
INViT 是什么？它主要解决什么问题？
INViT 是一种具有不变嵌套视图变换器的通用路由问题求解器，旨在解决旅行商问题（TSP）和车辆路径问题（VRP）等组合优化问题。
INViT 采用了哪些核心技术？
INViT 采用了不变嵌套视图变换器，结合了多分辨率和对称性保持的数据驱动方法，并可能集成元学习框架以快速适应新任务。
INViT 在哪些基准测试上进行了评估？表现如何？
INViT 在 TSPLIB 和 CVRPLIB 两个著名基准测试上进行了评估，实验证明其泛化性能优于最先进的构造方法，并且在数千个节点的真实世界问题上也能工作得很好。
INViT 与传统的神经组合优化方法相比有什么优势？
INViT 通过集成策略使各个策略相互协作和互补，提高了泛化能力，与最先进的构造方法相比，在 TSPLIB 和 CVRPLIB 上表现出更好的泛化性能。
INViT 可以应用于哪些实际问题？
INViT 可以应用于旅行商问题（TSP）和车辆路径问题（VRP）等组合优化问题，并且在数千个节点的真实世界问题上也能工作得很好。
INViT 是如何实现泛化能力提升的？
INViT 通过设计辅助策略学习本地可转移的拓扑特征，并与典型的建构策略结合形成集成策略，经过联合训练使策略相互协作和互补，从而提高了泛化能力。
