arXiv 于 2026 年 9 月 21 日（周一）07:24:38 UTC 发布了一篇新的预印本，编号为 arXiv:2609.25149v1，归类于 cs.LG（机器学习），并同时交叉列出 math.CO（组合数学）。论文作者为 Tianfeng Chen（陈天峰）与 Xianyue Li（李贤月），全文共 12 页，含 5 幅图与 6 张表，提交文件体积约 896 KB。该版本为第一版（v1），目前提供 PDF、实验性 HTML 以及 TeX 源码三种获取方式，DOI 为 https://doi.org/10.48550/arXiv.2609.25149，由 DataCite 签发，但页面显示该 DOI 仍处于待注册状态。浏览上下文为 cs.LG，属于 2026 年 9 月的新条目。
这里需要特别提醒读者注意一处明显的不一致：论文标题为《Dual-GNN Multilevel Coarsening for Maximum Independent Set》（面向最大独立集的双图神经网络多层级粗化），但 arXiv 页面上所附的摘要内容讲述的却是完全不同的主题——欧几里得旅行商问题（TSP）的图稀疏化。这种标题与摘要错配在预印本平台偶有发生，通常源于提交时的元数据录入错误或版本更新未同步，读者在引用与检索时应以实际 PDF 正文为准，并留意后续版本是否会修正标题、摘要或二者之一。
摘要部分的核心内容如下：精确求解大规模旅行商问题实例在计算上代价高昂，研究者常借助图稀疏化方法来提升计算效率。然而传统稀疏化方法通常依赖固定的启发式规则，无法充分利用具体实例自身的结构信息。为此，作者提出了 Graph Edge Sparsification（GES，图边稀疏化），这是一种面向欧几里得 TSP 的、基于学习的稀疏化方法。该方法将几何结构信息与组合优化技术相结合，能够针对不同实例自适应地生成稀疏化图，从而显著压缩图的规模并加速求解过程。
实验结果显示，在 MATILDA 数据集上，该稀疏化方法最多可剪除 95% 的边，同时把解与最优值之间的差距控制在 1% 以内；此外，该方法在 TSPLIB 基准上展现出较强的泛化能力，在部分大规模实例上剪枝率超过 99%，而最优性间隙仍保持在 1% 以下。需要注意的是，这些数据均来自作者自报的实验结果，尚未经过独立的第三方复现或同行评审验证；摘要中亦未给出具体的时间开销、内存占用或与既有稀疏化基线的逐项对比数值，因此其实际加速比与鲁棒性仍有待完整论文与后续工作检验。
方法层面，GES 的关键动机在于摆脱固定启发式带来的局限：传统做法往往对同一类问题套用统一规则，忽略了个体实例的几何分布特征，因而在结构差异较大的实例上表现不稳定；而学习式方法可以依据顶点坐标、边权分布等几何结构信号，为每个实例量身定制稀疏化图，在保留高质量解所需关键边的同时大幅降低问题规模，进而缩短精确求解器的运行时间。其技术路线同时融合了组合优化的建模思路，而非单纯的端到端黑箱预测。
从可复现性角度看，论文标注了两个学科分类，说明其贡献横跨机器学习与组合数学两个社区；12 页、5 图、6 表的篇幅表明正文包含较为完整的实验设置与结果表格。不过摘要中并未说明所用求解器类型、硬件环境、训练数据规模以及 MATILDA 与 TSPLIB 上具体选取了哪些实例，这些细节需查阅全文才能确认。对于关注大规模 TSP 精确求解、图稀疏化、学习辅助组合优化以及图神经网络粗化技术的读者而言，这篇预印本值得跟踪；但鉴于标题与摘要的主题冲突，建议先核验正文内容与后续版本更新，再行引用。