MaskCO：掩码生成驱动组合优化中的有效表征学习与利用

基于摘要分析。本文研究神经组合优化（NCO）如何利用高质量参考解中的局部决策结构，提出 MaskCO，将求解学习转化为参考解上的自监督掩码生成任务，并在推理时通过反复掩码与重建改进候选解。 核心机制是遮蔽最优解的部分内容，训练模型恢复缺失部分，使一个问题实例—解配对产生多种局部学习信号，以学习细粒度结构依赖。与把完整解作为整体学习参照的构造或改进范式相比，其主要变化在于训练信号的组织方式；这里的自监督仍依赖给定参考解，并不意味着无需获取高质量解。推理采用迭代式 mask-and-reconstruct 流程，但掩码策略、重建模型、损失形式以及可行性约束处理尚未验证。 作者报告，所学表征能够支持有效微调，并提升其他推理方法的表现；在包括 Travelling Salesman Problem（TSP）在内的问题上，相较此前的先进神经求解器，最优性差距降低超过 99%，并实现 10 倍加速。摘要未提供这些结果各自对应的问题规模、数据划分、具体基线、计算预算或计时条件，不能将差距降幅理解为解质量提升 99%，也不能据此比较不同协议下的求解效率。实验协议、消融及统计信息尚未验证。 该工作的主要研究对象是组合优化，而非 EEG 或 BCI。其机制依赖可被局部遮蔽和重建的结构化解，以及可评价候选解质量的优化目标；目前材料未建立这些要素与具体 EEG 瓶颈的对应关系，因此不据此推断 BCI 有效性。已有 EEG 相关工作尚未检索确认。复现时需重点核对参考解的获取成本、训练与测试实例分布、重建后的可行性保障，以及迭代推理预算对性能和速度的影响。