arXiv 於 2026 年 9 月 21 日（週一）07:24:38 UTC 釋出了一篇新的預印本，編號為 arXiv:2609.25149v1，歸類於 cs.LG（機器學習），並同時交叉列出 math.CO（組合數學）。論文作者為 Tianfeng Chen（陳天峰）與 Xianyue Li（李賢月），全文共 12 頁，含 5 幅圖與 6 張表，提交檔案體積約 896 KB。該版本為第一版（v1），目前提供 PDF、實驗性 HTML 以及 TeX 原始碼三種獲取方式，DOI 為 https://doi.org/10.48550/arXiv.2609.25149，由 DataCite 簽發，但頁面顯示該 DOI 仍處於待註冊狀態。瀏覽上下文為 cs.LG，屬於 2026 年 9 月的新條目。
這裡需要特別提醒讀者注意一處明顯的不一致：論文標題為《Dual-GNN Multilevel Coarsening for Maximum Independent Set》（面向最大獨立集的雙圖神經網路多層級粗化），但 arXiv 頁面上所附的摘要內容講述的卻是完全不同的主題——歐幾里得旅行商問題（TSP）的圖稀疏化。這種標題與摘要錯配在預印本平臺偶有發生，通常源於提交時的後設資料錄入錯誤或版本更新未同步，讀者在引用與檢索時應以實際 PDF 正文為準，並留意後續版本是否會修正標題、摘要或二者之一。
摘要部分的核心內容如下：精確求解大規模旅行商問題例項在計算上代價高昂，研究者常藉助圖稀疏化方法來提升計算效率。然而傳統稀疏化方法通常依賴固定的啟發式規則，無法充分利用具體例項自身的結構資訊。為此，作者提出了 Graph Edge Sparsification（GES，圖邊稀疏化），這是一種面向歐幾里得 TSP 的、基於學習的稀疏化方法。該方法將幾何結構資訊與組合最佳化技術相結合，能夠針對不同例項自適應地生成稀疏化圖，從而顯著壓縮圖的規模並加速求解過程。
實驗結果顯示，在 MATILDA 資料集上，該稀疏化方法最多可剪除 95% 的邊，同時把解與最優值之間的差距控制在 1% 以內；此外，該方法在 TSPLIB 基準上展現出較強的泛化能力，在部分大規模例項上剪枝率超過 99%，而最優性間隙仍保持在 1% 以下。需要注意的是，這些資料均來自作者自報的實驗結果，尚未經過獨立的第三方復現或同行評審驗證；摘要中亦未給出具體的時間開銷、記憶體佔用或與既有稀疏化基線的逐項對比數值，因此其實際加速比與魯棒性仍有待完整論文與後續工作檢驗。
方法層面，GES 的關鍵動機在於擺脫固定啟發式帶來的侷限：傳統做法往往對同一類問題套用統一規則，忽略了個體例項的幾何分佈特徵，因而在結構差異較大的例項上表現不穩定；而學習式方法可以依據頂點座標、邊權分佈等幾何結構訊號，為每個例項量身定製稀疏化圖，在保留高質量解所需關鍵邊的同時大幅降低問題規模，進而縮短精確求解器的執行時間。其技術路線同時融合了組合最佳化的建模思路，而非單純的端到端黑箱預測。
從可復現性角度看，論文標註了兩個學科分類，說明其貢獻橫跨機器學習與組合數學兩個社群；12 頁、5 圖、6 表的篇幅表明正文包含較為完整的實驗設定與結果表格。不過摘要中並未說明所用求解器型別、硬體環境、訓練資料規模以及 MATILDA 與 TSPLIB 上具體選取了哪些例項，這些細節需查閱全文才能確認。對於關注大規模 TSP 精確求解、圖稀疏化、學習輔助組合最佳化以及圖神經網路粗化技術的讀者而言，這篇預印本值得跟蹤；但鑑於標題與摘要的主題衝突，建議先核驗正文內容與後續版本更新，再行引用。