RWPO：面向选择性组合优化问题的奖励加权偏好优化

研究团队提出奖励加权偏好优化（RWPO），在偏好学习中引入奖励差距权重，专门解决选择性组合优化问题。 RWPO结合尺度特定微调与倾斜采样，使策略能适应更大及分布偏移的实例，无需局部搜索后处理。 在Orienteering Problem等基准上，RWPO优于无权重偏好优化及策略梯度基线，且在100至2000节点规模下超过Compass元启发式算法的平均奖励。