La búsqueda PLUME es un marco de trabajo basado en datos que mejora la eficiencia de búsqueda en problemas de optimización combinatoria mediante aprendizaje no supervisado. A diferencia del aprendizaje supervisado o el aprendizaje por refuerzo, utiliza un enfoque no autorregresivo para aprender directamente de las instancias del problema mediante una función de pérdida basada en permutaciones. En este artículo, evaluamos su rendimiento en el problema de asignación cuadrática, un problema fundamental NP-hard que abarca varios problemas de optimización combinatoria. Los resultados experimentales demuestran que la búsqueda PLUME mejora consistentemente la calidad de la solución. También investigamos si el modelo aprendido se generaliza a diferentes densidades y tamaños.
