본 논문은 대규모 TSP(외판원 문제)를 위한 새로운 약지도 학습 프레임워크인 LocalEscaper를 제안합니다. 기존의 지도 학습 기반 신경망 풀이는 고품질의 라벨링된 데이터를 대량으로 필요로 하고, 강화 학습 기반 풀이는 데이터 의존성이 낮지만 비효율적인 문제점을 가지고 있습니다. LocalEscaper는 지도 학습과 강화 학습의 장점을 결합하여 저품질 라벨 데이터로 효과적인 훈련을 가능하게 합니다. 특히, 기존의 지역적 재구성 방법들의 지역적 최적값 문제를 완화하는 지역적 재구성 전략을 도입하여 해의 질을 향상시킵니다. 합성 및 실제 데이터셋 실험 결과, LocalEscaper는 기존의 신경망 풀이들을 능가하는 놀라운 결과를 달성했습니다.
