論文の概要: Rethinking Light Decoder-based Solvers for Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2503.00753v1
• Date: Sun, 02 Mar 2025 06:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:23:06.413578
• Title: Rethinking Light Decoder-based Solvers for Vehicle Routing Problems
• Title（参考訳）: 車両経路問題に対する光デコーダを用いた解法の再検討
• Authors: Ziwei Huang, Jianan Zhou, Zhiguang Cao, Yixin Xu,
• Abstract要約: 光デコーダをベースとした解法は、車両のルーティング問題を解決することで人気を博している。 彼らはしばしば、より大きな問題インスタンスや異なるVRPの変種への一般化に苦労する。 本稿では,光デコーダに基づくアプローチを再検討し,静的埋め込みへの依存度を解析する。
• 参考スコア（独自算出の注目度）: 20.2468395084773
• License:
• Abstract: Light decoder-based solvers have gained popularity for solving vehicle routing problems (VRPs) due to their efficiency and ease of integration with reinforcement learning algorithms. However, they often struggle with generalization to larger problem instances or different VRP variants. This paper revisits light decoder-based approaches, analyzing the implications of their reliance on static embeddings and the inherent challenges that arise. Specifically, we demonstrate that in the light decoder paradigm, the encoder is implicitly tasked with capturing information for all potential decision scenarios during solution construction within a single set of embeddings, resulting in high information density. Furthermore, our empirical analysis reveals that the overly simplistic decoder struggles to effectively utilize this dense information, particularly as task complexity increases, which limits generalization to out-of-distribution (OOD) settings. Building on these insights, we show that enhancing the decoder capacity, with a simple addition of identity mapping and a feed-forward layer, can considerably alleviate the generalization issue. Experimentally, our method significantly enhances the OOD generalization of light decoder-based approaches on large-scale instances and complex VRP variants, narrowing the gap with the heavy decoder paradigm. Our code is available at: https://github.com/ziweileonhuang/reld-nco.
• Abstract（参考訳）: 光デコーダをベースとした解法は、その効率性と強化学習アルゴリズムとの統合の容易さから、車両ルーティング問題(VRP)の解決で人気を博している。 しかし、それらはより大きな問題インスタンスや異なるVRPの亜種への一般化に苦慮することが多い。 本稿では,光デコーダに基づくアプローチを再検討し,静的埋め込みへの依存とそれに伴う課題を考察する。 具体的には、光デコーダのパラダイムにおいて、エンコーダは1組の埋め込み内でのソリューション構築において、すべての潜在的な決定シナリオに関する情報を暗黙的に取得し、高い情報密度をもたらすことを実証する。 さらに,本研究では,タスクの複雑さが増大し,一般化がアウト・オブ・ディストリビューション(OOD)の設定に制限されるため,過度に単純化されたデコーダが,この情報を活用するのに苦労していることを明らかにする。 これらの知見に基づいて、デコーダの容量を向上し、IDマッピングとフィードフォワード層を簡易に追加することで、一般化問題をかなり緩和できることを示す。 実験により,光デコーダをベースとした大規模インスタンスや複雑なVRP変種に対するOOD一般化が大幅に向上し,重デコーダパラダイムとのギャップを狭めることができた。 私たちのコードは、https://github.com/ziweileonhuang/reld-nco.comで利用可能です。

関連論文リスト

• EVEv2: Improved Baselines for Encoder-Free Vision-Language Models [72.07868838411474]
  既存のエンコーダフリービジョン言語モデル(VLM)は、エンコーダベースモデルと性能ギャップを狭めている。 我々は,主流のエンコーダをベースとしたVLMと競合するエンコーダフリーVLMの効率的な戦略を開発する。 統一モデルにおいて、視覚と言語を適切に階層的に関連付けることで、モダリティ間の干渉を減少させることを示す。
  論文  参考訳（メタデータ） (2025-02-10T18:59:58Z)
• Doubly-Dynamic ISAC Precoding for Vehicular Networks: A Constrained Deep Reinforcement Learning (CDRL) Approach [11.770137653756697]
  車両ネットワークを支えるためにはISAC技術が不可欠である。 このシナリオの通信チャネルは時間変化を示し、潜在的なターゲットは急速に移動し、二重ダイナミクスをもたらす。 制約付き強化学習を用いてISACプリコーダの動的更新を容易にすることを提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:19:14Z)
• Low-Resolution Self-Attention for Semantic Segmentation [93.30597515880079]
  我々は,グローバルコンテキストを計算コストの大幅な削減で捉えるために,低解像度自己認識(LRSA)機構を導入する。 我々のアプローチは、入力画像の解像度に関わらず、固定された低解像度空間における自己注意を計算することである。 本稿では,エンコーダ・デコーダ構造を持つビジョントランスであるLRFormerを構築することで,LRSA手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-10-08T06:10:09Z)
• LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
  次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。 従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。 我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:25:42Z)
• Challenging Decoder helps in Masked Auto-Encoder Pre-training for Dense Passage Retrieval [10.905033385938982]
  Masked Auto-Encoder (MAE) 事前トレーニングアーキテクチャが最も有望である。 本稿では,デコーダの難易度を高めるために,ポイントワイド相互情報に基づく新しいトークン重要マスキング戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-22T16:27:10Z)
• CCLF: A Contrastive-Curiosity-Driven Learning Framework for Sample-Efficient Reinforcement Learning [56.20123080771364]
  我々は、強化学習のためのモデルに依存しないコントラスト駆動学習フレームワーク(CCLF)を開発した。 CCLFは、サンプルの重要性を完全に活用し、自己管理的な学習効率を向上させる。 このアプローチをDeepMind Control Suite、Atari、MiniGridベンチマークで評価する。
  論文  参考訳（メタデータ） (2022-05-02T14:42:05Z)
• Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
  機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。 本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。 我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
  論文  参考訳（メタデータ） (2021-12-21T19:14:44Z)
• A Learning-Based Approach to Address Complexity-Reliability Tradeoff in OS Decoders [32.35297363281744]
  本稿では,人工ニューラルネットワークを用いて順序統計に基づくデコーダの必要な順序を予測することで,平均的複雑性やデコーダの遅延を低減できることを示した。
  論文  参考訳（メタデータ） (2021-03-05T18:22:20Z)
• Model-Aware Regularization For Learning Approaches To Inverse Problems [11.314492463814817]
  本稿では,逆問題に適用可能なディープラーニング手法の一般化誤差の解析を行う。 本稿では、フォワードマップの知識を活用してネットワークの一般化を改善する「プラグ・アンド・プレイ」レギュラーを提案する。 我々は,他の最先端手法に対するモデル認識型ディープラーニングアルゴリズムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T21:59:03Z)
• Rethinking and Improving Natural Language Generation with Layer-Wise Multi-View Decoding [59.48857453699463]
  シーケンシャル・ツー・シーケンス学習では、デコーダは注意機構に依存してエンコーダから情報を効率的に抽出する。 近年の研究では、異なるエンコーダ層からの表現を多様なレベルの情報に利用することが提案されている。 本稿では, 各デコーダ層に対して, グローバルビューとして機能する最後のエンコーダ層からの表現とともに, ソースシーケンスの立体視のために他のエンコーダ層からのデコーダ層からのデコーダ層を補足するレイヤワイド・マルチビューデコーダを提案する。
  論文  参考訳（メタデータ） (2020-05-16T20:00:39Z)

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。