跨图组合优化问题的通用表征学习

基于摘要分析。本文研究图组合优化问题之间的表征共享与迁移，提出 CORAL：将不同组合优化问题类型视为不同模态，把实例统一转换为布尔可满足性问题（SAT）表示，再通过有监督跨模态对比学习提取共同结构，缓解逐任务、逐数据集训练所带来的表征与迁移局限。 核心机制是利用问题间的可归约关系建立统一表示空间，而非直接将各任务原始输入混合训练。其共享表征依赖实例到 SAT 的转换以及对比学习监督；具体编码方式、跨模态样本配对、监督信号、损失形式与训练规模在摘要中未展开，尚未验证。需要结合全文核对归约后的表示规模、原问题结构的保留程度，以及共享表示与任务特有约束之间的关系。 作者报告，在七类图判定问题（GDPs）的实验中，CORAL 提升了表征质量与泛化能力，并展示了预训练统一 SAT 表征在满足赋值预测和不可满足核心变量预测上的用途。摘要未列出七类问题名称、数据划分、对照方法或量化指标，因此不能判断收益幅度，也不能确定泛化评估是否涉及未见问题类型或未见实例规模。实验协议、消融及统计信息尚未验证。 本文的主要对象是具有离散约束及 SAT 归约结构的图组合优化问题，并非 EEG 表征学习或 BCI 解码。现有材料未建立连续、低信噪比神经信号与该 SAT 表示之间的具体对应关系，因此不将其跨问题泛化结论外推为 BCI 有效性；已有 EEG 相关工作尚未检索确认。复现前需核对实例生成与归约流程、监督配对方式、预训练及下游评估划分，以及实现和预训练权重的可得性。