ARC：利用组合表示进行车辆路径问题（VRPs）的跨问题学习

基于摘要分析。本文研究车辆路径问题（VRPs）的跨问题学习：不同约束组合产生大量问题变体，逐一训练模型既增加计算成本，也限制任务间共享知识。作者提出 ARC（Attribute Representation via Compositional Learning），将 VRP 实例表示为基础属性的组合，以学习属性语义并支持新问题泛化。 核心机制是分解复杂实例中的属性，再通过 Attribute Mixer 建模约束之间的复杂交互，缓解属性干扰。摘要未说明属性的具体定义、表示方式、监督来源、训练目标及推理流程，无法判断其组合表示与既有跨问题求解方法的具体差异。 作者报告：在已见问题配置上，ARC 优于现有方法；对新约束组合具有零样本泛化能力，并能高效适应此前未见的属性，另有真实场景验证。摘要未提供数据集、划分、基线、指标或数值，因此这些结论的适用范围、实验协议、消融及统计信息尚未验证。尤其需区分“已知属性的新组合”与“此前未见属性”的评估及适应条件。 平台推测（待验证）：其潜在可迁移点是显式拆分任务属性并建模属性交互，而不是车辆路径求解本身。若 EEG 任务能够提供可辨识的范式、采集配置等属性描述，可假设组合表示有助于处理未见属性组合；可复用的思路是属性表示与交互建模，但信号编码器、任务输出及训练目标需重新设计。EEG 低信噪比、被试差异、通道不一致和小样本可能使属性语义难以分离。一个小规模可证伪实验是：在属性标注明确的数据中留出若干属性组合，固定数据划分与信号编码器，比较普通条件表示、独立属性组合及加入交互模块后的泛化表现。该实验仅用于检验迁移假设，不代表原文已有 EEG 证据；相关 EEG 工作尚未检索确认。