Resumen: Investigaciones recientes han demostrado la eficacia de los modelos de lenguaje grande (LLM) en la resolución de problemas de optimización combinatoria (COP) mediante la representación de tareas e instancias en lenguaje natural. Sin embargo, los enfoques puramente basados en el lenguaje luchan por capturar con precisión estructuras relacionales complejas inherentes a muchas COP, lo que las hace menos efectivas para abordar instancias de tamaño mediano o grande. Para abordar estas limitaciones, proponemos AlignOPT, un enfoque novedoso que alinea los LLM con solucionadores neuronales de gráficos para aprender una heurística COP neuronal más generalizable. Específicamente, AlignOPT aprovecha las capacidades de comprensión semántica de los LLM para codificar descripciones textuales de COP y sus instancias, al tiempo que explota los solucionadores neuronales de gráficos para modelar explícitamente las estructuras gráficas subyacentes de las instancias de COP. Nuestro enfoque facilita una sólida integración y alineación entre la semántica lingüística y las representaciones estructurales, lo que permite soluciones COP más precisas y escalables. Los resultados experimentales demuestran que AlignOPT logra resultados de vanguardia en diversas COP, lo que subraya su eficacia a la hora de alinear representaciones semánticas y estructurales. En particular, AlignOPT demuestra una fuerte generalización, extendiéndose efectivamente a instancias de COP nunca antes vistas.
Publicado originalmente en export.arxiv.org el 30 de marzo de 2026.
Ver fuente original
