論文の概要: Neural Combinatorial Optimization for Real-World Routing

• arxiv url: http://arxiv.org/abs/2503.16159v1
• Date: Thu, 20 Mar 2025 13:57:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:35:30.887559
• Title: Neural Combinatorial Optimization for Real-World Routing
• Title（参考訳）: 実世界のルーティングのためのニューラルコンビネーション最適化
• Authors: Jiwoo Son, Zhikai Zhao, Federico Berto, Chuanbo Hua, Changhyun Kwon, Jinkyoo Park,
• Abstract要約: 車両ルーティング問題(英: Vehicle Routing Problems, VRPs)は、複数の実世界の物流シナリオにおいて、NPハード問題の一種である。 NCOは、VRPを解決するための古典的なアプローチに代わる有望な選択肢として登場した。 この研究は、ARNCO(Real Routing NCO)を導入し、人工と現実世界のVRP間のNCOのギャップを埋める。
• 参考スコア（独自算出の注目度）: 15.136899433821894
• License:
• Abstract: Vehicle Routing Problems (VRPs) are a class of NP-hard problems ubiquitous in several real-world logistics scenarios that pose significant challenges for optimization. Neural Combinatorial Optimization (NCO) has emerged as a promising alternative to classical approaches, as it can learn fast heuristics to solve VRPs. However, most research works in NCO for VRPs focus on simplified settings, which do not account for asymmetric distances and travel durations that cannot be derived by simple Euclidean distances and unrealistic data distributions, hindering real-world deployment. This work introduces RRNCO (Real Routing NCO) to bridge the gap of NCO between synthetic and real-world VRPs in the critical aspects of both data and modeling. First, we introduce a new, openly available dataset with real-world data containing a diverse dataset of locations, distances, and duration matrices from 100 cities, considering realistic settings with actual routing distances and durations obtained from Open Source Routing Machine (OSRM). Second, we propose a novel approach that efficiently processes both node and edge features through contextual gating, enabling the construction of more informed node embedding, and we finally incorporate an Adaptation Attention Free Module (AAFM) with neural adaptive bias mechanisms that effectively integrates not only distance matrices but also angular relationships between nodes, allowing our model to capture rich structural information. RRNCO achieves state-of-the-art results in real-world VRPs among NCO methods. We make our dataset and code publicly available at https://github.com/ai4co/real-routing-nco.
• Abstract（参考訳）: 車両ルーティング問題(英: Vehicle Routing Problems、VRP)は、複数の実世界のロジスティクスシナリオにおいて、NP-hard問題の一種であり、最適化の重要な課題を提起する。 Neural Combinatorial Optimization(NCO)は、VRPを解決するための高速ヒューリスティックスを学ぶことができるため、古典的なアプローチに代わる有望な選択肢として登場した。 しかし、NCO for VRPsにおけるほとんどの研究は、単純なユークリッド距離と非現実的なデータ分布によって導出できない非対称距離と移動期間を考慮せず、現実の展開を妨げるような単純化された設定に焦点を当てている。 この研究は、RRNCO(Real Routing NCO)を導入し、データとモデリングの両方の重要な側面において、合成と現実世界のVRP間のNCOのギャップを埋める。 まず、オープンソースルーティングマシン(OSRM)から取得した実際のルーティング距離と期間の現実的な設定を考慮し、100都市のロケーション、距離、期間行列の多様なデータセットを含む実世界のデータを用いた、新しい公開データセットを提案する。 第2に、文脈ゲーティングによりノード特徴とエッジ特徴の両方を効率的に処理し、よりインフォメーションなノード埋め込みの構築を可能にする新しいアプローチを提案し、最終的に適応注意自由モジュール(AAFM)とニューラルネットワークの適応バイアス機構を組み込むことにより、ノード間の角関係を効果的に統合し、リッチな構造情報の取得を可能にする。 RRNCOは、NCOメソッドの現実世界のVRPにおける最先端の結果を達成する。 データセットとコードはhttps://github.com/ai4co/real-routing-nco.comで公開しています。

関連論文リスト

• OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
  非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。 我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。 従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
  論文  参考訳（メタデータ） (2024-09-02T09:30:02Z)
• A simple algorithm for output range analysis for deep neural networks [0.0]
  本稿では,Deep Neural Networks (DNN) における出力範囲推定問題に対して,Simulated Annealing (SA) アルゴリズムを統合した新しい手法を提案する。 この方法はResNetsに固有の幾何学的情報や非線形性の欠如による課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-07-02T22:47:40Z)
• Multi-Task Learning for Routing Problem with Cross-Problem Zero-Shot Generalization [18.298695520665348]
  車両ルーティング問題(VRP)は多くの現実世界のアプリケーションで見られる。 本研究では,クロスプロブレム一般化という重要な課題に取り組むための最初の試みを行う。 提案モデルでは、ゼロショットの一般化方式で、見当たらない属性の組み合わせでVRPを解くことができる。
  論文  参考訳（メタデータ） (2024-02-23T13:25:23Z)
• Universal Neural Optimal Transport [0.0]
  UNOT(Universal Neural Optimal Transport)は、OT距離と計画を正確に予測できる新しいフレームワークである。 我々のネットワークは、幅広いデータセットにわたる最適な輸送距離と計画を正確に予測するだけでなく、ワッサーシュタイン空間の幾何学を正確に捉えることも示している。
  論文  参考訳（メタデータ） (2022-11-30T21:56:09Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• An optimised deep spiking neural network architecture without gradients [7.183775638408429]
  本稿では、局所シナプスおよびしきい値適応ルールを用いたエンドツーエンドのトレーニング可能なモジュラーイベント駆動ニューラルアーキテクチャを提案する。 このアーキテクチャは、既存のスパイキングニューラルネットワーク(SNN)アーキテクチャの高度に抽象化されたモデルを表している。
  論文  参考訳（メタデータ） (2021-09-27T05:59:12Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。