論文の概要: How Good Is Neural Combinatorial Optimization?

• arxiv url: http://arxiv.org/abs/2209.10913v1
• Date: Thu, 22 Sep 2022 10:50:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 12:58:48.472487
• Title: How Good Is Neural Combinatorial Optimization?
• Title（参考訳）: ニューラルコンビネーション最適化はどの程度優れているか?
• Authors: Shengcai Liu, Yu Zhang, Ke Tang, Xin Yao
• Abstract要約: NCOソルバと代替ソルバの総合的な比較研究について述べる。 解法の性能は, 有効性, 効率性, 安定性, スケーラビリティ, 一般化能力の5つの面で評価する。 前者の潜在的な利点は、十分なトレーニングインスタンスが利用可能であれば、小規模のイシューインスタンスにおいて、より優れた時間とエネルギー効率が得られることである。
• 参考スコア（独自算出の注目度）: 31.451338706630583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional solvers for tackling combinatorial optimization (CO) problems are usually designed by human experts. Recently, there has been a surge of interest in utilizing Deep Learning, especially Deep Reinforcement Learning, to automatically learn effective solvers for CO. The resultant new paradigm is termed Neural Combinatorial Optimization (NCO). However, the advantages and disadvantages of NCO over other approaches have not been well studied empirically or theoretically. In this work, we present a comprehensive comparative study of NCO solvers and alternative solvers. Specifically, taking the Traveling Salesman Problem as the testbed problem, we assess the performance of the solvers in terms of five aspects, i.e., effectiveness, efficiency, stability, scalability and generalization ability. Our results show that in general the solvers learned by NCO approaches still fall short of traditional solvers in nearly all these aspects. A potential benefit of the former would be their superior time and energy efficiency on small-size problem instances when sufficient training instances are available. We hope this work would help better understand the strengths and weakness of NCO, and provide a comprehensive evaluation protocol for further benchmarking NCO approaches against other approaches.
• Abstract（参考訳）: 組合せ最適化(co)問題に取り組む従来の解法は通常、人間の専門家によって設計される。 近年、深層学習、特に深層強化学習を利用して、coの効果的な解法を自動的に学習することへの関心が高まっている。 新たなパラダイムはNeural Combinatorial Optimization(NCO)と呼ばれる。 しかしながら、他のアプローチに対するNCOの利点と欠点は、経験的あるいは理論的に十分に研究されていない。 本研究では,NCOソルバと代替ソルバの総合比較研究について述べる。 具体的には, テストベッド問題としてトラベリングセールスマン問題を考慮し, 有効性, 効率性, 安定性, スケーラビリティ, 一般化能力の5つの側面から解法の性能を評価する。 以上の結果から, NCO アプローチで学習した解法は, 従来の解法には及ばないことが明らかとなった。 前者の潜在的な利点は、十分なトレーニングインスタンスが利用可能であれば、小さな問題インスタンスにおいて、より優れた時間とエネルギー効率が得られることである。 この取り組みがNCOの強みと弱みをよりよく理解し、他のアプローチに対するNCOアプローチをさらにベンチマークするための包括的な評価プロトコルを提供することを期待しています。

関連論文リスト

• Learning to Solve Combinatorial Optimization under Positive Linear Constraints via Non-Autoregressive Neural Networks [103.78912399195005]
  組合せ最適化(英: Combinatorial Optimization、CO)は、計算機科学、応用数学などにおける基本的な問題である。 本稿では, 正線形制約下でのCO問題の解法として, 非自己回帰ニューラルネットワーク群を設計する。 本研究では,施設位置,最大被覆率,旅行セールスマン問題を含む代表的CO問題の解決において,この枠組みの有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-06T14:58:31Z)
• UDC: A Unified Neural Divide-and-Conquer Framework for Large-Scale Combinatorial Optimization Problems [8.871356150316224]
  2段階のニューラル手法は、大規模なCO問題に対処する際の効率性を示している。 本稿では,一般の大規模CO問題の解法として,統一型ニューラルディバイド・アンド・コンカー・フレームワーク(UDC)を開発する。
  論文  参考訳（メタデータ） (2024-06-29T04:29:03Z)
• Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
  最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。 我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-05T22:52:27Z)
• Neural Combinatorial Optimization Algorithms for Solving Vehicle Routing Problems: A Comprehensive Survey with Perspectives [14.47130974868925]
  この調査は、VRPのためのNCOソルバの包括的分類を提供することを目的としている。 我々は,すべてのNCOソルバを,構成の学習,改善の学習,予測の学習,予測の多元性解決の学習の4つのカテゴリに分けた。 我々は,SOTAソルバの欠点として,一般化の低さ,大規模VRPの解決能力の低下,NCOソルバと従来のOperations Researchアルゴリズムとの比較が困難である点を挙げる。
  論文  参考訳（メタデータ） (2024-06-01T12:18:39Z)
• An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem [67.92544792239086]
  我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。 まず,方向対応型注意モデル(DaAM)を提案する。 第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
  論文  参考訳（メタデータ） (2024-03-11T02:17:42Z)
• Neural Algorithmic Reasoning for Combinatorial Optimisation [20.36694807847833]
  ニューラル推論の最近の進歩を活用して,CO問題の学習を改善することを提案する。 私たちは、COインスタンスでトレーニングする前に、関連するアルゴリズムでニューラルネットワークを事前トレーニングすることを提案します。 以上の結果から,この学習装置を用いることで,非アルゴリズム的情報深層学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-05-18T13:59:02Z)
• Learning to Optimize for Reinforcement Learning [58.01132862590378]
  強化学習(Reinforcement Learning, RL)は、教師付き学習とは本質的に異なり、実際、これらの学習は単純なRLタスクでもうまく機能しない。 エージェント勾配分布は非独立で同一分布であり、非効率なメタトレーニングをもたらす。 おもちゃのタスクでしか訓練されていないが、我々の学習はブラックスの目に見えない複雑なタスクを一般化できることを示した。
  論文  参考訳（メタデータ） (2023-02-03T00:11:02Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Sym-NCO: Leveraging Symmetricity for Neural Combinatorial Optimization [16.127824824652077]
  深部強化学習(DRL)に基づく最適化(CO)法は,従来のCO解法に比べて有意な効果を示した。 本稿では,既存のDRL-NCO法の性能向上を実現する新しいトレーニング手法であるSym-NCOを提案する。
  論文  参考訳（メタデータ） (2022-05-26T07:55:43Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• POMO: Policy Optimization with Multiple Optima for Reinforcement Learning [8.819672165548477]
  本稿では,マルチプルオプティマス(POMO)を用いたポリシー最適化について紹介する。 POMOは、幅広いCO問題に適用可能であり、CO溶液の表現における対称性を利用するように設計されている。 我々は,旅行セールスマン(TSP),キャパシタンドカールーティング(CVRP),0-1knapsack(KP)の3つの一般的なNPハード問題を解くことで,POMOの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-30T00:57:50Z)

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。