論文の概要: Complex Vehicle Routing with Memory Augmented Neural Networks

• arxiv url: http://arxiv.org/abs/2009.10520v1
• Date: Tue, 22 Sep 2020 13:18:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 21:58:35.918594
• Title: Complex Vehicle Routing with Memory Augmented Neural Networks
• Title（参考訳）: メモリ拡張ニューラルネットワークを用いた複合車両ルーティング
• Authors: Marijn van Knippenberg, Mike Holenderski, Vlado Menkovski
• Abstract要約: 複雑な実生活のルーティング課題は、よく知られた最適化問題のバリエーションとしてモデル化できる。 Deep Learningは、従来のソリューションに代わる、ますます魅力的な選択肢を提供する。 近年、ディープラーニングモデルは複雑なタスクを解く驚くべき能力を示している。
• 参考スコア（独自算出の注目度）: 2.5331228143087565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex real-life routing challenges can be modeled as variations of well-known combinatorial optimization problems. These routing problems have long been studied and are difficult to solve at scale. The particular setting may also make exact formulation difficult. Deep Learning offers an increasingly attractive alternative to traditional solutions, which mainly revolve around the use of various heuristics. Deep Learning may provide solutions which are less time-consuming and of higher quality at large scales, as it generally does not need to generate solutions in an iterative manner, and Deep Learning models have shown a surprising capacity for solving complex tasks in recent years. Here we consider a particular variation of the Capacitated Vehicle Routing (CVRP) problem and investigate the use of Deep Learning models with explicit memory components. Such memory components may help in gaining insight into the model's decisions as the memory and operations on it can be directly inspected at any time, and may assist in scaling the method to such a size that it becomes viable for industry settings.
• Abstract（参考訳）: 複雑な実生活のルーティング課題は、よく知られた組合せ最適化問題のバリエーションとしてモデル化できる。 これらのルーティング問題は長い間研究されており、大規模な解決は困難である。 特定の設定は正確な定式化を難しくする。 Deep Learningは、さまざまなヒューリスティックの使用を中心に進化する従来のソリューションに代わる、ますます魅力的な代替手段を提供する。 ディープラーニングは、一般的に反復的な方法でソリューションを生成する必要がないため、時間が少なく、大規模で高品質なソリューションを提供する可能性がある。 本稿では,cvrp(capacitated vehicle routing)問題の特徴を考察し,明示的なメモリコンポーネントを用いたディープラーニングモデルの利用について検討する。 このようなメモリコンポーネントは、メモリとオペレーションがいつでも直接検査できるので、モデルの決定に対する洞察を得るのに役立つかもしれません。

関連論文リスト

• Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
  大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。 本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。 特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-14T07:16:18Z)
• Instance-Conditioned Adaptation for Large-scale Generalization of Neural Combinatorial Optimization [15.842155380912002]
  本研究は,ニューラル最適化の大規模一般化のための新しいインスタンス・コンディション適応モデル(ICAM)を提案する。 特に,NCOモデルのための強力なインスタンス条件付きルーティング適応モジュールを設計する。 我々は,ラベル付き最適解を使わずに,モデルがクロススケールな特徴を学習することのできる,効率的な3段階強化学習ベーストレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-03T08:00:19Z)
• Multi-teacher knowledge distillation as an effective method for compressing ensembles of neural networks [0.0]
  大規模深層モデルは非常に成功したが、膨大な計算複雑性と巨大なストレージ要件により、リアルタイムアプリケーションでは実装が困難である。 単一モデルの重み空間に全アンサンブルモデルを圧縮できる改良された知識蒸留フレームワークを提案する。 知識蒸留は,1つの学生モデルで複数の教師の知識を集約し,同じ計算量で,標準手法で訓練したモデルと比較して,優れた性能のモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-14T17:40:36Z)
• Combining Constructive and Perturbative Deep Learning Algorithms for the Capacitated Vehicle Routing Problem [0.0]
  容量化車両ルーティング問題(Capacitated Vehicle Routing Problem)は、複数の場所に製品を届ける車両の最適経路を見つけることの難題となるNPハード問題である。 近年,この問題に対処する構築的で摂動的なディープラーニングベースのアルゴリズムの開発が試みられている。 本稿では,2つの強力な構築型および摂動型ディープラーニングに基づくアルゴリズムを組み合わせた,複合型Deep ConstructorとPerturbatorを提案する。
  論文  参考訳（メタデータ） (2022-11-25T06:20:11Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
  我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。 特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。 以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T16:39:57Z)
• Deep Reinforcement Learning for Combinatorial Optimization: Covering Salesman Problems [4.692304496312442]
  本稿では,カバーセールスマン問題 (CSP) を大まかに解くための新しい深層学習手法を提案する。 このアプローチでは、CSPの都市位置を入力として、ディープニューラルネットワークモデルがソリューションを直接出力するように設計されている。 指導なしに深層強化学習を用いて訓練される。
  論文  参考訳（メタデータ） (2021-02-11T07:25:04Z)
• DecisiveNets: Training Deep Associative Memories to Solve Complex Machine Learning Problems [4.83420384410068]
  本稿では,ディープニューラルネットワークモデルからディープ連想記憶への変換手法を提案する。 結果として生じる深い連想記憶は、人工知能の優れた候補である。
  論文  参考訳（メタデータ） (2020-12-02T20:22:25Z)
• Unravelling Small Sample Size Problems in the Deep Learning World [69.82853912238173]
  筆者らはまず,アルゴリズムが動作空間に応じて分離される小さなサンプルサイズ問題に対するディープラーニングアルゴリズムのレビューを行う。 第2に,特徴マップの最も識別性の高い部分からグローバル情報を抽出することに焦点を当てた動的注意プーリング手法を提案する。
  論文  参考訳（メタデータ） (2020-08-08T13:35:49Z)
• Neural Complexity Measures [96.06344259626127]
  本稿では,一般化を予測するメタラーニングフレームワークであるNeural Complexity(NC)を提案する。 我々のモデルは、データ駆動方式で、多くの異種タスクとの相互作用を通じてスカラー複雑性尺度を学習する。
  論文  参考訳（メタデータ） (2020-08-07T02:12:10Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。