论文
从基础优化嵌入到无监督 SAT 表示的迁移学习
Transfer Learning from Foundational Optimization Embeddings to Unsupervised SAT Representations
摘要
基础优化嵌入最近已成为混合整数规划（MIP）问题的强大预训练表示。这些嵌入被证明可以实现跨域传输并减少对求解器生成的标签的依赖。在这项工作中，我们研究了这种表示是否可以超越优化而推广到决策问题，重点关注布尔可满足性（SAT）。我们通过将 CNF 公式映射到用于 MIP 的相同二分约束变量图表示，使基础优化架构适应 SAT。这允许直接重用预训练的嵌入模型，无需架构更改或监督 微调。我们的结果表明，这些嵌入捕获了 SAT 实例中的结构规律，并支持实例聚类和分布识别等无监督任务。我们首次证明基础优化嵌入可以转移到约束满足领域。我们的发现是朝着优化和决策问题的统一表示框架迈出的一步。