【NeurIPS2024】协作！迈向用于路径问题的鲁棒神经方法

尽管现有的神经网络方法在求解车辆路径问题（VRP）时表现出良好的效率，并减少了对领域专业知识的依赖，但它们在鲁棒性方面存在严重问题——其性能在面对带有精心设计扰动的干净实例时显著下降。为提升鲁棒性，我们提出了一种基于集成的协作神经框架（CNF），用于防御神经VRP方法，这一方向在文献中尚未得到充分探讨。对于给定的神经VRP方法，我们以对抗性训练的方式，让多个模型协作，以协同提升对抗攻击的鲁棒性，同时在干净实例上提升标准泛化能力。我们设计了一个神经路由器，可以灵活地在各个模型之间分配训练实例，从而增强整体的负载平衡和协作效果。大量实验证实，CNF在防御不同神经VRP方法下的各种攻击方面具有出色的效果和通用性。值得注意的是，该方法在基准实例上也表现出了显著的分布外泛化能力。