arXivは2026年9月21日、機械学習と組合せ数学の交差領域に属するプレプリントを公開した。著者はTianfeng Chen氏とXianyue Li氏で、識別子はarXiv:2609.25149v1、分類はcs.LG（機械学習）およびmath.CO（組合せ数学）である。DOIは10.48550/arXiv.2609.25149で、DataCiteへの登録は保留中とされている。論文は12ページ、図5点、表6点で構成される。
ただし、ページのタイトルは「最大独立集合のためのデュアルGNNマルチレベル粗化」となっている一方、要旨はユークリッド巡回セールスマン問題（TSP）のグラフ辺スパース化を論じている。このタイトルと要旨の不一致は投稿・メタデータ上の問題に起因する可能性があり、引用時には注意が必要である。
要旨によれば、大規模なTSPインスタンスを厳密に解くことは計算コストが高い。そのため研究者は計算効率を高める目的でグラフ・スパース化を用いることが多い。しかし従来の手法は固定されたヒューリスティクスに依存しがちで、インスタンス固有の構造情報を十分に活用できていなかった。そこで著者らは、ユークリッドTSP向けの学習ベース・スパース化手法であるGraph Edge Sparsification（GES）を提案する。
GESは幾何構造情報と組合せ最適化技術を組み合わせ、インスタンスごとに適応的なスパース化グラフを生成する。これによりグラフサイズを大幅に削減し、求解プロセスを加速する。実験では、MATILDAデータセットで最大95%の辺を刈り込み、なおかつ最適値との解ギャップを1%以内に保ったと報告されている。またTSPLIBベンチマークでは強い汎化性能を示し、一部の大規模インスタンスでは削減率が99%を超え、最適性ギャップは1%未満にとどまった。
この手法の狙いは、厳密解法が扱う辺の数を減らし、最適解に近い解を維持しながら計算負荷を下げることにある。ただし要旨では、モデルアーキテクチャ、学習の詳細、実行時間の比較、理論的保証などは明らかにされていない。加えてタイトルと要旨の主題が一致していないため、結論の評価には全文の確認が求められる。