Two Black Boxes, One Solver: Encoder Probing and Decoder Attribution for Neural Multi-Attribute VRP under Hard-Mask and Recourse Decoders

Sintesi Tecnica: Due Scatole Nere, Un Solo Solutore

Contesto del Problema
I solutori autoregressivi neurali per il Problema di Veicolazione Multi-Attributo (MAVRP) hanno raggiunto costi competitivi rispetto a euristiche forti e altri baseline basati sull'apprendimento. Tuttavia, questi modelli operano come "scatole nere", non offrendo alcuna giustificazione per fase decisionale. Nelle operazioni logistiche, i dispatcher richiedono più di un semplice percorso; hanno bisogno di validare le decisioni rispetto alle regole di business, diagnosticare anomalie e confrontare famiglie di solutori candidate. L'attuale opacità impedisce ciò, poiché la policy emette azioni senza esporre quali input siano stati rilevanti, quali vincoli abbiano dominato o quali cambiamenti minimi altererebbero la decisione. Il documento sostiene che un account XAI (Intelligenza Artificiale Spiegabile) congiunto sia necessario sia per lo stadio dell'encoder (rappresentazione) che per quello del decoder (decisione) per affrontare questa responsabilità operativa.

Metodologia
Gli autori propongono un protocollo unificato per "aprire" due scatole nere complementari: l'encoder e il decoder. Lo studio valuta sei varianti di solutore formate combinando tre famiglie di encoder (baseline ATT, encoder di grafo UNIMP, UNIMPMOE con Mixture-of-Experts) e due varianti di decoder (HARD-MASK e RECOURSE).

1. Probing dell'Encoder (Pilastro 1):
   Il protocollo analizza le rappresentazioni latenti congelate ($h$) ai livelli di grafo, nodo e arco utilizzando quattro metriche:

• Prevedibilità: I probe lineari determinano se le famiglie di vincoli attive possono essere recuperate da $h$. Le letture non supervisionate (axis-unique vs. top-$k$ subspace) distinguono tra codifica allineata agli assi e codifica distribuita.
• Organizzazione Spontanea: Le metriche di clustering (NMI, silhouette) valutano se $h$ partiziona naturalmente le istanze per famiglia di vincoli senza supervisione.
• Ricchezza: I ranghi effettivi e stabili misurano la dimensionalità della rappresentazione per rilevare il collasso.
• Direzioni Scoperte: Gli assi PCA/ICA sono allineati con gli indicatori dei vincoli e validati causalmente tramite intervento (perturbando il latente per verificare se il concetto si muove come previsto).

2. Attribuzione del Decoder (Pilastro 2):
   Tre metodi di attribuzione (Gradient, Integrated Gradients, DeepLIFT) sono applicati allo step di decoding sotto tre angoli di lettura:

• Abduttivo: Aggregazione della massa di attribuzione per identificare "perché questa azione?".
• Contrastivo: Attribuzione del margine tra l'azione scelta e la migliore alternativa fattibile per identificare cosa separi la decisione dal suo rivale più vicino.
• Controfattuale: Una ricerca diretta della minima perturbazione dell'input che possa invertire l'azione scelta o ripristinare la fattibilità di un'alternativa non fattibile ("make-feasible").

3. Griglia di Valutazione:
   Tutti gli output sono valutati su cinque criteri: Fedeltà (rimuovere gli input attribuiti inverte la decisione?), Concentrazione (la spiegazione è focalizzata?), Stabilità (modelli con seed indipendenti concordano?), Sanità (l'attribuzione sopravvive alla randomizzazione dei pesi?) e Azionabilità (piccoli cambiamenti possono portare a decisioni diverse?).

Contributi Chiave

1. Protocollo a Due Pilastri: Un framework XAI congiunto che sonda la prevedibilità/organizzazione dell'encoder e attribuisce le decisioni del decoder attraverso lenti abduttive, contrastive e controfattuali.
2. Tassonomia delle Famiglie di Vincoli: Un metodo per aggregare i gradienti grezzi degli input in gruppi operativamente leggibili (capacità, geometria, finestre temporali, recourse del percorso).
3. Benchmarking Comprensivo: Applicazione del protocollo a sei varianti di MAVRP, confrontando esplicitamente un decoder a "maschera forte" (HARD-MASK, fattibilità per costruzione) con un decoder a "maschera debole" (RECOURSE, fattibilità per apprendimento).
4. Rivelazione di Fenomeni Nascosti: Il protocollo espone fenomeni invisibili al solo costo di inferenza, inclusa la codifica distribuita negli encoder MoE, i gap di sanità tra le architetture e i gap rappresentazionali tra le policy dei decoder.

Risultati

• Performance dell'Encoder: Gli encoder di grafo (UNIMP, UNIMPMOE) superano significativamente la baseline ATT in prevedibilità (macro-F1) e organizzazione spontanea (NMI). UNIMPMOE esibisce una codifica distribuita: sebbene sottoperformi rispetto a UNIMP nei probe su singolo asse, recupera quando valutato su top-$k$ subspace, indicando che i vincoli sono rappresentati attraverso un sottospazio piuttosto che su un singolo asse.
• Performance e Costo del Decoder: I decoder HARD-MASK ottengono costi di inferenza inferiori (gap di 1,39–1,82% rispetto al BKS) rispetto a RECOURSE (2,73–2,91%). Tuttavia, RECOURSE offre una interpretabilità superiore.
• Sanità e Stabilità: Gli encoder di grafo superano il test di sanità (pesi addestrati vs. randomizzati) in modo decisivo, mentre ATT mostra artefatti architettonici. Le policy RECOURSE producono spiegazioni più ricche ma mostrano una minore stabilità nell'identificare una singola famiglia di vincoli dominante rispetto a HARD-MASK, riflettendo un compromesso tra ricchezza e riproducibilità.
• Controfattuali (Il Risultato Critico): Il decoder RECOURSE è l'unica variante capace di produrre controfattuali "make-feasible" (piccoli cambiamenti che rendono fattibile un'alternativa non fattibile). Le policy HARD-MASK falliscono nel produrre questi, anche quando alimentate esternamente con alternative non fattibili. Ciò è attribuito al regime di addestramento: RECOURSE impara ad assegnare una massa di logit significativa anche ai candidati non fattibili, mentre le policy HARD-MASK, vincolate dalla costruzione, non lo fanno.

Significatività e Rivendicazioni
Il documento sostiene che la scelta del decoder non è solo un compromesso di performance, ma una scelta di interpretabilità. Il regime di addestramento RECOURSE, piuttosto che la sua sola maschera più "morbida", produce policy che rappresentano l'infattibilità in modo utile, esponendo controfattuali azionabili che le policy HARD-MASK non possono offrire. Inoltre, lo studio dimostra che l'induttivo bias dei grafi migliora sia la prevedibilità rappresentazionale che la sanità del decoder. Gli autori concludono che i solutori di ottimizzazione combinatoria neurale richiedono un account XAI congiunto di entrambi gli stadi, rappresentazione e decisione, poiché un encoder leggibile non garantisce un decoder leggibile, e viceversa. Il protocollo funge da standard per confrontare le famiglie di solutori sugli stessi checkpoint, rivelando che il "miglior" solutore dipende dal fatto che la priorità sia il costo puro o la capacità di validare e confrontare le decisioni.