기존의 3D 가우시안 스플래팅(3DGS) 가지치기(pruning) 방법들은 주로 독립적인 중요도 점수에 기반한 전역 Top-K 선택에 의존하여, 영역별 예산 제어가 부족하고 공동 삭제 효과를 무시합니다. 결과적으로 전체 장면에 걸쳐 균형 잡힌 재구성 품질을 보장하지 못합니다. 본 논문에서는 고정된 예산 하에서 영역별 예산 할당과 공동 가우시안 선택을 조율하는 조합 가지치기 알고리즘인 SplatQ를 제안합니다. SplatQ는 공간적 근접성과 외형 유사성을 기준으로 가우시안을 크기가 제한된 블록으로 분할하여, 전역 선택 문제를 특정 크기의 하위 문제들로 분해합니다. 그런 다음 중요도 기반의 블록 유지 할당량을 평활화하여 과도한 예산 집중을 방지합니다. 마지막으로 가우시안 불투명도 변화에 대한 대표 픽셀 색상의 반응을 활용하여 공동 삭제 효과의 2차 근사를 구성합니다. 개별 반응, 쌍별 상호작용 및 할당량 페널티는 2차 비제약 이진 최적화(QUBO) 목적 함수에 통합되며, 모의 담금질(SA) 또는 코히런트 이징 머신(CIM)을 사용하여 이를 해결함으로써 가우시안을 공동으로 선택합니다. 5개 벤치마크에 대한 실험을 통해 SplatQ가 종합적인 재구성 품질, 공간적 품질 균형, 렌더링 속도 측면에서 최신 가지치기 방법들보다 우수한 성능을 보임을 입증합니다. 절제 연구(ablation)를 통해 예산 평활화가 국소적인 세부 표현 재구성을 향상시키는 한편, 상호작용 모델링이 고정된 예산 하에서 가우시안 선택 품질을 향상시킴을 확인합니다.
Integrating combinatorial optimization layers into neural networks has recently attracted significant research interest. However, many existing approaches lack theoretical guarantees or fail to perform adequately when relying on inexact solvers. This is a critical limitation, as many operations research problems are NP-hard, often necessitating the use of neighborhood-based local search heuristics. In this paper, we introduce a principled approach for learning with such inexact solvers. Inspired by the connection between simulated annealing and Metropolis-Hastings, we transform the problem specific neighborhood systems used in local search heuristics into proposal distributions, implementing MCMC on the set of feasible solutions. This allows us to construct differentiable, stochastic combinatorial layers and associated loss functions. Replacing an exact solver with a local search strongly reduces the computational burden of learning on many applications. We demonstrate our approach on a dynamic vehicle routing problem with time windows, binary vector and k-subset prediction tasks, as well as a multi-dimensional knapsack decision-focused learning problem.
본 논문은 대사 다중 에이전트 최적화기(Metabolic Multi-Agent Optimizer, MMAO)를 구현이나 벤치마크 수준이 아닌 프레임워크 수준에서 연구한다. 핵심 질문은 개별 에너지, 공동 예산, 역할 변동, 생애주기 교체로 이루어진 대사 자원 순환이 서사적 비유를 넘어서는 프레임워크 수준의 해석을 가지는가이다. 도메인 특화 이동 연산자는 추상화하되 프레임워크를 규정하는 자원 장부 관리는 유지하는 일반적인 MMAO 상태 모델을 도입한다. 완만한 이득 유계 및 지출 유계 가정 하에서 개별 에너지, 공동 예산, 역할 상태, 활성 개체군 크기에 대한 유계성과 비음수성을 증명한다. 이어서 순환의 세 가지 내생적 행동 양상을 규명한다. 지속적인 자원 부족 하의 수축, 공동 축적 잉여 하의 재투자, 에이전트 또는 하위 집단 간 이질적인 한계 수익 하의 탐색 재분배가 그것이다. 이 분석은 의도적으로 보수적이다. 전체 적응 시스템의 전역 수렴, 전문 최적화기에 대한 보편적 우월성, 결과 과정의 완전한 정상상태 특성화를 주장하지 않는다. 대신 어떤 내부 조절 특성이 순환의 일반적 귀결이고 어떤 것이 구현에 따라 달라지는지를 식별한다. 대표적인 연속 및 이산 MMAO 구현에 대한 간결한 메커니즘 검증 패키지는 이러한 해석을 뒷받침하는 경험적 증거를 제공하지만 전체 벤치마크 연구를 대체하려는 것은 아니다. 이 분석은 MMAO에 대해 유계적, 재생적, 자원 조절적 해석을 제공하며, 구현 수준의 성능 문제는 열어 둔다.
본 논문은 프레임워크 자체를 다시 소개하는 대신, 더 엄격한 경험적 프로토콜 하에서 대사 다중 에이전트 최적화기(MMAO)를 평가한다. 연구는 MMAO의 폐루프 자원 할당 원리가 더 광범위하고 더 표준적이며 예산이 더 명시적으로 통제된 연속 및 이산 벤치마크에서도 신뢰성을 유지하는지를 묻는다. 완료된 주요 행렬은 각각 20개 시드를 갖는 10D와 30D의 CEC2017 함수 8개와 각각 20개 시드를 갖는 TSPLIB 인스턴스 5개를 다루며, PSO-lite, ES-lite, 반복 탐욕 2-opt 경로 기준선을 포함한 더 강력한 재현 가능 기준선과 함께 평가한다. 여기에 공동 예산, 성공률, 역할 진화, 개체군 교체에 대한 궤적 수준 진단을 추가하고, 이산 증거를 경로 문제 너머로 확장하기 위해 보조적인 OR-Library 다중 배낭 문제 일부도 더한다. 이 프로토콜 하에서 MMAO는 연속 영역과 TSPLIB 영역 모두에서 외부 기준선 집합을 뚜렷하게 능가하며, 제거 변형들은 외부 기준선보다 전체 방법에 훨씬 더 가깝게 유지된다. 결과는 시험한 영역 전반에서 내생적 자원 재분배를 뒷받침하지만, 더 정밀한 메커니즘 분리와 더 폭넓은 대회 수준 비교는 열린 과제로 남는다.
This paper presents the Metabolic Multi-Agent Optimizer (MMAO) as an adaptive metaheuristic built around endogenous resource circulation. The central premise is that search intensity, exploration--exploitation balance, and lifecycle turnover should be induced by a shared metabolic controller rather than by separately attached schedules. We formulate MMAO through bounded private energy, a communal budget, normalized reward, continuous role adaptation, and resource-financed branching and pruning. The method is then instantiated in both continuous and discrete domains and evaluated on a matched small-scale suite including Sphere, Rastrigin, a synthetic Euclidean TSP, and two TSPLIB instances. The results show a consistent pattern: the same metabolic loop remains workable across domains, the discrete realization remains relatively stable under a compact design, and continuous refinement quality is the main cost of keeping the method lean. These results support MMAO's framework formulation under simplification, with some loss of late-stage precision on harder continuous tasks.
전통적인 메타휴리스틱은 흔히 고정된 개체군 크기, 수동으로 선택한 탐색 스케일, 외부에 부착된 파라미터 제어 모듈에 의존한다. 본 논문은 개별-공공 대사 자원 순환으로부터 적응이 내생적으로 도출되는 교차 도메인 최적화 프레임워크인 대사 다중 에이전트 최적화기(MMAO)를 제시한다. 각 에이전트는 내부 에너지, 연속적인 역할 상태, 이동 또는 구조 기억, 국소 탐색 이력을 지니며, 개체군은 공동 자원 풀을 공유한다. 적합도 향상은 강건한 진행 스케일과 최근 성공 통계를 통해 정규화된 대사 이득으로 변환되고, 동일한 폐루프가 감지 강도, 탐색 진폭, 역할 변동, 분기, 가지치기, 재생성, 엘리트 재투자를 조절한다. 연속 환경에서 MMAO는 에너지로 조절되는 대칭 영차 탐침과 역할 보간 이동을 사용한다. 이산 환경에서는 동일한 제어 법칙이 구조적 감지, 국소 경로 개선, 유도된 섭동, 에너지 가중 간선 재사용을 통해 구현된다. 본 논문은 구현에 충실한 정식화와 CEC2017 부분집합(10D/30D, 20개 시드) 및 5개의 TSPLIB 인스턴스(이산 실행 총 100회)에 대한 재현 가능한 실험 연구를 결합한다. 현재의 증거는 MMAO를 보편적으로 우월한 최적화기로서가 아니라, 주로 파라미터 부담이 적고 자기 보정하는 최적화 프레임워크로서 뒷받침하며, 그 주된 검증된 독창성은 이질적인 탐색 행동 전반에 걸친 대사적으로 내생적인 자원 할당에 있다.
다양한 최적화 문제에 걸쳐 강력한 최적화 일반화 성능을 달성하면서 학습 자원은 제한적으로 요구하는 것은 최적화 지향 대규모 언어 모형(LLM)에게 여전히 어려운 문제이다. 그러나 기존의 학습 기반 방법들은 일반적으로 대규모 지도 데이터, 비용이 큰 중간 단계 검증, 방대한 계산 자원을 필요로 하면서도, 다양한 최적화 구조에 대해서는 제한된 최적화 일반화 성능을 보인다. 본 논문에서는 추론 후 모델링 및 풀이 패러다임과, 검증 가능한 보상을 사용하는 강화학습(RLVR)을 결합한 2단계 학습 프레임워크를 통해 학습된 경량 최적화 특화 LLM인 \textsc{MiniOpt}를 제안한다. MiniOpt는 최적화 정식화와 최적화 결과의 완결성을 강화함으로써 구조 지향적 최적화 학습을 촉진한다. 여덟 개의 최적화 벤치마크에 대한 폭넓은 실험은 MiniOpt가 훨씬 적은 매개변수와 학습 데이터를 요구하면서도 기존의 학습 기반 최적화 모델들을 일관되게 능가함을 보여준다. 최적화 일반화를 더 깊이 이해하기 위해, 우리는 최적화 구조 이해와 수치 매개변수 처리를 분리하는 보완적인 매개변수 분리 평가 프로토콜을 도입한다. 결과는 MiniOpt가 매개변수 분리 설정에서도 기존 최적화 특화 모델들보다 훨씬 더 잘 최적화 능력을 유지함을 보여주며, 이는 성능 향상이 주로 더 강한 최적화 구조 이해에서 비롯됨을 시사한다. 이러한 발견은 효율적이고 일반화 가능한 최적화 특화 LLM으로 향하는 효과적인 경로를 보여준다. 코드는 https://github.com/Hsiang-1/MiniOpt 에서 이용할 수 있다.
다목적 조합 최적화에서 비지지 비지배점(unsupported non-dominated point)은 통상 지지점(supported point)보다 수가 많으며, 계산하기도 훨씬 어려운 경우가 많다. 최근 연구에 따르면 극단 지지 비지배점(extreme supported non-dominated point)은 특정 이진 문제의 비지배 집합에 대해 고품질 표현을 제공한다. 본 논문에서는 이 관찰이 용량 제한 네트워크 최적화 문제로 일반화되지 않음을 보인다. 즉, 호(arc) 용량이 증가할수록 표현 품질이 저하되는 반면, 지지 비지배점은 여러 품질 지표에서 지속적으로 고품질 표현을 제공한다. 그러나 지지점 집합도 실용적인 응용에서는 지나치게 클 수 있으며, 일반적으로 소수의 고정된 대안만이 요구된다. 비지배 집합에서 고정 크기 표현을 선택하려면 계산 비용이 높은 전체 집합 생성이 필요하므로, 표현이 제공하려는 계산 상의 이점이 감소한다. 따라서 본 논문은 부분집합 선택 문제에서 (극단) 지지점을 대안적 후보 집합으로 제안한다. 수치 실험 결과, 후보 집합을 지지 비지배점으로 제한하더라도 완전한 비지배 집합에서 선택한 것과 거의 동일한 품질의 고정 크기 표현을 얻을 수 있음을 보인다. 종합하면, 지지 비지배점은 고품질 표현이자 부분집합 선택을 위한 합리적인 후보 집합으로 모두 활용될 수 있다.
신경 조합 최적화(Neural Combinatorial Optimization, NCO)는 강력한 성능을 달성하지만, 그 해석 가능성은 여전히 미해결 문제로 남아 있다. 본 논문에서는 블랙박스 정책을 해석 가능한 행동 대리 모델로 증류하여 설명하는, NCO를 위한 최초의 사후(post-hoc) 대리 모델 기반 해석 가능성 방법인 진화형 프로그램 병목(Evolving Programmatic Bottlenecks, EPB)을 제안한다. 자연스러운 대리 모델로는 개념 병목 모델(Concept Bottleneck Model, CBM)을 생각할 수 있으나, 표준적인 개념은 입력 속성인 반면 NCO는 사전에 정의하기 어려운 의사결정 규칙으로 설명하는 편이 더 적합하다. 따라서 EPB는 LLM을 사용해 프로그램 형태의 의사결정 규칙 묶음을 개념으로서 진화시키며, 각 규칙은 행동 분포를 생성하고 학습된 상태 의존적 라우터가 이를 혼합하여 대리 모델의 행동을 형성한다. 우리는 반복적 프레임워크를 통해 EPB를 최적화한다. 블록 I은 묶음 크기를 고정하고 텍스트 프로그램과 수치 라우터를 함께 최적화하기 위해 텍스트-수치 하이브리드 경사 하강법을 도입하며, 블록 II는 실패 대상 확장과 중복 가지치기를 통해 묶음 크기를 조정한다. 광범위한 실험을 통해 EPB 대리 모델이 교사 모델의 행동과 해의 품질을 면밀히 재현함을 보인다. 이어서 증류된 규칙을 분석하여 여러 NCO 의사결정 패턴을 밝히고, 해당 규칙이 대리 모델의 결정에 충실함을 검증한다. 더 나아가 대리 모델은 표적 프로그램 편집을 가능하게 하여 교사 모델을 넘어서는 일반화 성능 향상을 이끌어낸다. 본 연구는 해석 가능한 NCO를 진전시키고, EPB를 복잡한 학습 기반 의사결정 정책을 해석하기 위한 유망한 방향으로 확립한다.
대규모 언어 모델(LLM)을 이용해 자연어로부터 최적화 모델링을 자동화하는 것은 두 가지 핵심 과제에 직면한다. 첫째, 학습 코퍼스는 구조적 다양성이 부족하다. 둘째, 데이터 생성 파이프라인은 정적이며 모델 학습과 분리되어 있다. 이러한 과제를 해결하기 위해, 우리는 모델의 약점에 의해 주도되어 데이터와 모델이 공진화하는 새로운 프레임워크인 EvoOptiGraph를 제안한다. EvoOptiGraph는 각 혼합정수 선형 계획(MILP)을 속성 이분 그래프(attributed bipartite graph)로 표현하고, 유효성을 보존하는 진화 연산자를 적용하여 구조적으로 다양한 인스턴스를 생성한다. 진화된 그래프는 결정적 컴파일을 통해 솔버 코드와 자연어로 변환되며, 검증된 역번역(back-translation)을 거친다. 학습은 두 단계로 진행된다: 초기 데이터셋에 대한 지도 미세조정(SFT)에 이어, 그래프에서 파생된 약점 신호가 모델의 실패를 겨냥한 새로운 인스턴스 생성을 안내하는 검증 가능 보상 강화학습(RLVR)이 수행된다. 이는 학습 분포를 지속적으로 갱신하는 폐쇄 루프를 형성한다. 6개의 공개 데이터셋에 대한 실험 결과, EvoOptiGraph는 정확도, 실행 가능성, 일반화 측면에서 더 큰 범용 모델, 에이전트 기반 방법, 특화 베이스라인을 크게 능가함을 보여준다. 이러한 결과는 표적화된 데이터-모델 공진화가 최적화 모델링 과제에서 LLM을 개선하는 효과적인 전략임을 보여준다.
대규모 2인 제로섬 불완전 정보 게임에서의 내시 균형 근사와 다인 전략형 게임에서의 내시 균형 정확 계산을 위한 알고리즘은 최근 상당한 진전을 이루었다. 반사실적 후회 최소화와 가상 플레이는 대규모 게임으로 확장 가능하고 2인 제로섬 게임에서 수렴 보장을 갖지만, 다인 게임에서는 내시 균형으로의 수렴을 보장하지 않는다. 최근 시퀀스형 게임 표현에서 유도된 비선형 상보성 문제 정식화에 기반한 이차 제약 프로그램을 풀어 다인 불완전 정보 게임의 내시 균형을 정확히 계산하는 접근법이 제시되었다. 이 정식화는 쌍선형 항의 볼록 완화를 풀어 변수 경계를 반복적으로 정제하는 공간 분기한정법을 사용하는 Gurobi의 비볼록 이차 솔버로 풀렸다. 사전 풀이(presolve) 과정에서 Gurobi는 보조 변수를, 경우에 따라서는 이진 변수를 도입하여 내부적으로 혼합 정수 이차 제약 프로그램을 만든다. 이 접근법은 Gambit 소프트웨어 모음의 기존 알고리즘보다 우수한 성능을 보였고 지배되는 행동을 제거한 후 3인 쿤 포커를 빠르게 풀었으나, 게임의 전체 버전은 24시간 내에 풀지 못했다. 본 논문에서는 비선형 상보성 정식화에서 여유(slack) 변수와 승수 변수에 대한 유한 경계를 도출한다. 이 경계는 공간 분기한정법 내에서 사용되는 볼록 완화를 강화할 수 있다. 전체 3인 쿤 포커에서 균일한 따름정리 기반 경계와 더 세밀한 명제 기반 경계를 비교한다. 경계를 적용한 여덟 가지 구성 모두 17초 이내에 수치적으로 검증된 균형을 반환한 반면, 경계가 없는 정식화는 300초 내에 실행 가능해를 찾지 못한다. 가장 세밀한 경계가 항상 가장 빠른 계산을 가져오는 것은 아니다.
관련 없는 기계(unrelated-machines)에서의 작업 완료 시간(makespan) 최소화 문제를 해결하기 위해 무거운 작업 할당에 대한 예측을 활용하는 학습 강화 알고리즘을 제안한다. 이 방법은 정확한 예측 시 다항 시간 $(1+\varepsilon)$-근사를 달성하며, 예측 오류가 증가함에 따라 최악의 경우 2-근사로 부드럽게 저하된다.
분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.
구조화된 워크플로우는 대규모 언어 모델(LLM)이 복잡한 문제를 해결할 수 있게 해주지만, 이를 자동으로 생성하는 것은 방대한 조합적 탐색 공간으로 인해 심각하게 저해되며, 이는 종종 유연하지 않고 자원을 많이 소모하는 오프라인 학습 의존성을 초래한다. 이를 해결하기 위해, 우리는 워크플로우 생성을 상위 토폴로지 층이 하위 작업 경계를 규정하고 하위 수준의 실행 결과가 토폴로지 자체를 능동적으로 재형성하는, 토폴로지와 실행이 맞물린 탐색 패러다임으로 개념화한다. 이 기반 위에서, 우리는 피드백 기반 토폴로지 조정과 하위 워크플로우 최적화를 위한 빠른 MCTS(Monte Carlo Tree Search) 기반 트리 탐색을 결합하여 에이전트형 워크플로우 설계를 자동화하는, 학습 불필요·테스트 시점 계층적 탐색 아키텍처인 HierFlow를 제안한다. HierFlow는 맥락적 필요에 따라 실행 수준 탐색을 선택적으로 트리거하는 지능형 게이팅 모듈을 통해 효율성을 극대화하며, 우리는 작업 간 결합 정도가 계층적 분할의 효과에 미치는 영향을 상세히 분석함으로써 이 메커니즘을 추가로 뒷받침한다. 질의응답, 수학적 추론, 코드 생성 벤치마크에 걸친 종합적인 테스트는 HierFlow가 강력한 베이스라인을 지속적으로 능가하며, 추가 학습 부담 없이 고품질 결과와 계산 효율성의 최적 균형을 제공함을 확인한다.
개별 학생에게 학습 자원을 최적으로 배분하는 것은 학습자 다양성을 다루고 공평한 교육 성과를 촉진하는 데 필수적이다. Erasmus+ KA220-SCH 프로젝트의 틀 안에서, 본 논문은 고등학교 수학 학생을 위한 교육 자료 선택을 엄격한 학습 시간 제약을 따르는 0-1 이진 조합 최적화(optimization) 문제로 모델링한다. 이 공식화의 NP-hard 복잡도를 고려할 때, 자원 카탈로그가 확대될수록 정확한 해법은 계산적으로 다루기 어려워진다. 이 과제를 해결하기 위해, 우리는 이진 결정 공간을 효과적으로 탐색하기 위해 특화된 제약 복구 메커니즘과 통합된 유전 알고리즘(Genetic Algorithm)을 제안한다. 10회의 독립 실행에 걸친 실험적 평가는 빠른 수렴, 높은 해 품질, 그리고 서로 다른 기본 시드에 걸친 강한 알고리즘적 안정성을 보여준다. 이 결과는 중등 교육에서 실시간 의사결정 지원 시스템을 위한 메타휴리스틱(metaheuristic) 접근법의 실용적 유용성을 확인한다.
분자 최적화는 유효한 분자 구조에 대한 광범위한 사전 분포를 포착하는 사전학습된 생성 모델에서 출발하는 경우가 많다. 그러나 테스트 시점의 목표는 이 사전 분포에서 샘플링하는 것이 아니라, 제한된 오라클 예산을 활용하여 생성 방향을 과제별 고보상 분자로 전환하는 것이다. 우리는 이산 확산 모델에 대한 이 적응 문제를 연구한다. 각 온라인 라운드는 여러 선택을 결합한다. 루프는 어떤 후보를 평가할지, 보상이 어떻게 모델 업데이트로 이어질지, 어떤 피드백을 재사용할지, 그리고 사전학습된 사전 분포에서 얼마나 멀리 이동할지를 결정해야 한다. 이러한 선택들은 대부분 개별적으로 연구되어 왔으며, 전체 온라인 적응 루프 내에서 이들이 서로 보완되는지, 중복되는지, 또는 간섭하는지는 아직 밝혀지지 않았다. 우리는 여섯 가지 소분자 결합 친화도 과제와 세 가지 단백질 적합도 과제에 걸쳐 통제된 연구를 수행한다. 획득(acquisition), 보상 형성(reward shaping), 모델 디바이어싱(model debiasing)이 특히 소분자에서 더 높은 보상으로 이어지는 상호 보완적인 경로를 제공함을 발견하였다. 리플레이(replay)는 학습을 추가로 안정화시키며, 유효성 페널티는 소분자 탐험을 유효한 분자 다양체 위에 유지한다. 이러한 발견들은 피드백 효율적인 분자 최적화를 위한 실용적인 레시피를 제시한다: 획득, 보상 형성, 디바이어싱, 리플레이, 유효성 제어를 포함한 온라인 미세조정이다. 이 레시피는 동일한 오라클 호출 예산 및 GPU 시간 기준 하에서 오프라인 미세조정 및 추론 시점 탐색 기준선을 능가한다. 성능 향상은 고보상 후보가 사전학습된 사전 분포로부터 더 큰 이동을 필요로 할 때 가장 크게 나타난다.
메시지 패싱을 양자 회로 안에서 수행하고 순열 등변성과 Weisfeiler-Leman 계층의 원하는 표현력 수준을 보장하는 양자 그래프 신경망(QGNN) 프레임워크를 제안한다. 작은 그래프 사전학습과 다항 비용 readout으로 학습·확장성을 확보했으며, 일반 메시지 패싱으로 구별 불가한 CFI 그래프, QM9 분자 특성 예측, 외판원 문제(TSP)에서 최대 56큐비트 시뮬레이션으로 검증했다.
Multi-graph matching is a fundamental problem in computer vision. Our work is motivated by a challenging application in bioimaging, where dozens or even hundreds of 3D microscopy images of worms must be brought into correspondence. Existing datasets do not cover this large-scale regime, and virtually all existing methods are inapplicable because they assume a complete or dense problem setting. To support further research, our first contribution is a new large-scale dataset based on problem instances from bioimaging. Our second contribution is a comprehensive analysis of the two main multi-graph matching paradigms: direct and permutation synchronization-based formulations. We argue, in part by proof, that practical large-scale methods must explicitly address problem sparsity and incompleteness. Since standard permutation synchronization approaches fail in this setting, we further introduce a sparse permutation synchronization paradigm. Our final contribution is GREEDA, a general method for sparse and incomplete problems that can be instantiated across cost orders and paradigms. While our paper focuses on objective functions up to quadratic order, GREEDA is inherently generalizable to arbitrary orders. On larger, sparse instances, GREEDA outperforms competing methods in both objective value and runtime. For example, for moderately sized problems based on 30 worm images GREEDA produces a high-quality solution within 2 minutes, whereas competitors require at least an hour and yield far worse results. On smaller dense problems, GREEDA remains on par with leading methods while being an order of magnitude faster.