論文の概要: Learning Gradient Fields for Scalable and Generalizable Irregular Packing

• arxiv url: http://arxiv.org/abs/2310.19814v1
• Date: Wed, 18 Oct 2023 15:52:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-05 13:27:14.452728
• Title: Learning Gradient Fields for Scalable and Generalizable Irregular Packing
• Title（参考訳）: 拡張性と一般化可能な不規則パッケージのための勾配場学習
• Authors: Tianyang Xue, Mingdong Wu, Lin Lu, Haoxuan Wang, Hao Dong, Baoquan Chen
• Abstract要約: パッキング問題(英: packing problem)は、切断またはネスト(英: cutting or nesting)としても知られ、物流、製造、レイアウト設計、アトラス生成に様々な応用がある。 機械学習の最近の進歩、特に強化学習は、梱包問題に対処する上で有望であることを示している。 本研究では, 条件付き生成モデルとしてパッキング問題を定式化する, 機械学習に基づく新しい手法を深く研究する。
• 参考スコア（独自算出の注目度）: 28.814796920026172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The packing problem, also known as cutting or nesting, has diverse applications in logistics, manufacturing, layout design, and atlas generation. It involves arranging irregularly shaped pieces to minimize waste while avoiding overlap. Recent advances in machine learning, particularly reinforcement learning, have shown promise in addressing the packing problem. In this work, we delve deeper into a novel machine learning-based approach that formulates the packing problem as conditional generative modeling. To tackle the challenges of irregular packing, including object validity constraints and collision avoidance, our method employs the score-based diffusion model to learn a series of gradient fields. These gradient fields encode the correlations between constraint satisfaction and the spatial relationships of polygons, learned from teacher examples. During the testing phase, packing solutions are generated using a coarse-to-fine refinement mechanism guided by the learned gradient fields. To enhance packing feasibility and optimality, we introduce two key architectural designs: multi-scale feature extraction and coarse-to-fine relation extraction. We conduct experiments on two typical industrial packing domains, considering translations only. Empirically, our approach demonstrates spatial utilization rates comparable to, or even surpassing, those achieved by the teacher algorithm responsible for training data generation. Additionally, it exhibits some level of generalization to shape variations. We are hopeful that this method could pave the way for new possibilities in solving the packing problem.
• Abstract（参考訳）: パッキング問題はカットやネスティングとしても知られ、ロジスティクス、製造、レイアウト設計、アトラス生成に多様な応用がある。 重複を避けながら無駄を最小限に抑えるために不規則な形状の部品を配置する。 機械学習の最近の進歩、特に強化学習は、パッキング問題に対処することに有望である。 本研究では,パッキング問題を条件付き生成モデルとして定式化する,新しい機械学習ベースのアプローチを深く掘り下げる。 オブジェクトの妥当性制約や衝突回避といった不規則なパッキングの課題に対処するために,スコアベース拡散モデルを用いて一連の勾配場を学習する。 これらの勾配場は、教師の例から学んだ制約満足度と多角形の空間的関係の相関を符号化する。 試験段階では、学習した勾配場によって導かれる粗大な微細化機構を用いてパッキングソリューションを生成する。 パッケージングの実現可能性と最適性を向上させるため,マルチスケールの特徴抽出と粗大な関係抽出という2つの重要なアーキテクチャ設計を導入する。 翻訳のみを考慮し,2つの典型的な産業用包装ドメインについて実験を行う。 提案手法は,データ生成の訓練を行う教師アルゴリズムに匹敵する空間利用率,あるいはそれを超える空間利用率を示す。 さらに、形状変化へのある程度の一般化を示す。 我々は,本手法が,包装問題の解決に新たな可能性をもたらすことを期待している。

関連論文リスト

• Geometrically Inspired Kernel Machines for Collaborative Learning Beyond Gradient Descent [36.59087823764832]
  本稿では,幾何学的にインスパイアされたカーネルマシンを用いた協調学習のための新しい数学的枠組みを開発する。 分類問題に対しては、与えられたデータ点の周りの有界な幾何学構造を学習することができる。
  論文  参考訳（メタデータ） (2024-07-05T08:20:27Z)
• GFPack++: Improving 2D Irregular Packing by Learning Gradient Field with Attention [29.836816853278886]
  2次元不規則パッキングは、材料利用やテクスチャアトラス生成など、様々な応用における古典的な最適化問題である。 従来の数値法では、収束が遅く、計算コストが高い。 スコアベース拡散モデルのような既存の学習ベースの手法にも、回転支持の欠如、頻繁な衝突、任意の境界への適応性の低下、推論の遅さといった制限がある。 本稿では,この課題に対処する注目型勾配場学習手法GFPack++を提案する。
  論文  参考訳（メタデータ） (2024-06-09T06:44:08Z)
• Efficient Imitation Learning with Conservative World Models [54.52140201148341]
  報酬機能のない専門家によるデモンストレーションから政策学習の課題に取り組む。 純粋な強化学習ではなく、微調整問題として模倣学習を再構成する。
  論文  参考訳（メタデータ） (2024-05-21T20:53:18Z)
• FouriScale: A Frequency Perspective on Training-Free High-Resolution Image Synthesis [48.9652334528436]
  本稿では、周波数領域解析の観点から、FouriScaleの革新的な学習不要アプローチを紹介する。 従来の拡散モデルの畳み込み層を,低域演算とともに拡張手法を組み込むことで置き換える。 提案手法は, 生成画像の構造的整合性と忠実度をバランスさせ, 任意のサイズ, 高解像度, 高品質な生成の驚くべき能力を実現する。
  論文  参考訳（メタデータ） (2024-03-19T17:59:33Z)
• Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
  機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。 これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。 この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
  論文  参考訳（メタデータ） (2024-03-18T14:55:45Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)
• Gradient Backpropagation Through Combinatorial Algorithms: Identity with Projection Works [20.324159725851235]
  ゼロあるいは未定義の解法に対する意味のある置き換えは、効果的な勾配に基づく学習に不可欠である。 本稿では, 離散解空間の幾何学を応用して, 後方パス上の負の同一性として処理する原理的手法を提案する。
  論文  参考訳（メタデータ） (2022-05-30T16:17:09Z)
• Rethinking conditional GAN training: An approach using geometrically structured latent manifolds [58.07468272236356]
  条件付きGAN(cGAN)は、生成された出力の多様性の欠如などの重大な欠点に悩まされる。 本稿では,バニラcGANの多様性と視覚的品質を両立させる新しいトレーニング機構を提案する。
  論文  参考訳（メタデータ） (2020-11-25T22:54:11Z)
• Plan-Space State Embeddings for Improved Reinforcement Learning [12.340412143459869]
  提案手法は,計画や他の形態の実証から状態埋め込みを学習するための新しい手法である。 これらの埋め込みは、強化学習問題におけるロボット状態の強化としてどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-04-30T03:38:14Z)

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。