論文の概要: UniCO: Towards a Unified Model for Combinatorial Optimization Problems

• arxiv url: http://arxiv.org/abs/2505.06290v1
• Date: Wed, 07 May 2025 12:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.750321
• Title: UniCO: Towards a Unified Model for Combinatorial Optimization Problems
• Title（参考訳）: UniCO: 組合せ最適化問題の統一モデルを目指して
• Authors: Zefang Zong, Xiaochen Wei, Guozhen Zhang, Chen Gao, Huandong Wang, Yong Li,
• Abstract要約: Combinatorial Optimization (CO)は多くの現実世界のシナリオで発生する幅広い問題を含んでいる。 我々は,様々なCO問題を解決する統一モデルであるUniCOを紹介する。
• 参考スコア（独自算出の注目度）: 30.524941693870534
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Combinatorial Optimization (CO) encompasses a wide range of problems that arise in many real-world scenarios. While significant progress has been made in developing learning-based methods for specialized CO problems, a unified model with a single architecture and parameter set for diverse CO problems remains elusive. Such a model would offer substantial advantages in terms of efficiency and convenience. In this paper, we introduce UniCO, a unified model for solving various CO problems. Inspired by the success of next-token prediction, we frame each problem-solving process as a Markov Decision Process (MDP), tokenize the corresponding sequential trajectory data, and train the model using a transformer backbone. To reduce token length in the trajectory data, we propose a CO-prefix design that aggregates static problem features. To address the heterogeneity of state and action tokens within the MDP, we employ a two-stage self-supervised learning approach. In this approach, a dynamic prediction model is first trained and then serves as a pre-trained model for subsequent policy generation. Experiments across 10 CO problems showcase the versatility of UniCO, emphasizing its ability to generalize to new, unseen problems with minimal fine-tuning, achieving even few-shot or zero-shot performance. Our framework offers a valuable complement to existing neural CO methods that focus on optimizing performance for individual problems.
• Abstract（参考訳）: Combinatorial Optimization (CO)は多くの現実世界のシナリオで発生する幅広い問題を含んでいる。 専門的なCO問題に対する学習に基づく手法の開発において大きな進展が見られたが、単一アーキテクチャと多様なCO問題のためのパラメータセットを備えた統一モデルがいまだ解明されていない。 このようなモデルは、効率性と利便性の点で大きな利点をもたらすだろう。 本稿では,様々なCO問題を解決する統一モデルであるUniCOを紹介する。 次トーケン予測の成功に触発されて、各問題解決プロセスをマルコフ決定プロセス(MDP)としてフレーム化し、対応する逐次軌跡データをトークン化し、トランスフォーマーバックボーンを用いてモデルを訓練する。 軌道データにおけるトークン長を削減するために,静的な問題特徴を集約したCO-prefix設計を提案する。 MDPにおける状態トークンと行動トークンの不均一性に対処するために、我々は2段階の自己教師型学習アプローチを採用する。 このアプローチでは, 動的予測モデルをまず訓練し, その後の政策生成のための事前学習モデルとして機能する。 10のCO問題に対する実験は、UniCOの汎用性を示し、最小限の微調整で新しい、目に見えない問題に一般化し、少数ショットやゼロショットのパフォーマンスを達成できる能力を強調している。 当社のフレームワークは,個々の問題に対するパフォーマンスの最適化に重点を置いた,既存のニューラルCOメソッドを補完する貴重なものだ。

関連論文リスト

• Unsupervised Training of Diffusion Models for Feasible Solution Generation in Neural Combinatorial Optimization [7.85458999849461]
  我々は,拡散モデルをゼロから直接訓練する,教師なしCOフレームワークであるIC/DCを提案する。 私たちは、問題固有の制約を順守しながら、ソリューションのコストを最小限に抑えるために、自己監督的な方法でモデルをトレーニングします。 並列マシンスケジューリング問題(PMSP)と非対称トラベリングセールスマン問題(ATSP)における既存のNCO手法と比較して、IC/DCは最先端の性能を達成する
  論文  参考訳（メタデータ） (2024-10-15T06:53:30Z)
• Bridging Large Language Models and Optimization: A Unified Framework for Text-attributed Combinatorial Optimization [21.232626415696267]
  Language-based Neural COPsolvr (LNCS)は、多種多様なテキスト対応COPのエンドツーエンド解決のために統一された新しいフレームワークである。 広汎な実験により、LNCSの有効性と一般化性が検証され、現実世界のCOPアプリケーションのための統一的で実用的なフレームワークとしての可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-22T08:42:44Z)
• 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)
• Leader Reward for POMO-Based Neural Combinatorial Optimization [8.301694061287565]
  本稿では、最適解を生成するモデルの能力を高めるために、Lead Rewardを提案する。 我々は、Lead Rewardがモデルによって生成される最適なソリューションの品質を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-05-22T19:27:03Z)
• ChainLM: Empowering Large Language Models with Improved Chain-of-Thought Prompting [124.69672273754144]
  CoT(Chain-of-Thought)のプロンプトにより,大規模言語モデル(LLM)の推論能力が向上する 既存のCoTアプローチは通常、単純な推論タスクに重点を置いており、結果として低品質で一貫性のないCoTプロンプトをもたらす。 優れたCoTプロンプトの自動生成のための新しいフレームワークであるCoTGeniusを紹介する。
  論文  参考訳（メタデータ） (2024-03-21T11:34:26Z)
• Sample-Efficient Multi-Agent RL: An Optimization Perspective [103.35353196535544]
  一般関数近似に基づく汎用マルコフゲーム(MG)のためのマルチエージェント強化学習(MARL)について検討した。 汎用MGに対するマルチエージェントデカップリング係数(MADC)と呼ばれる新しい複雑性尺度を導入する。 我々のアルゴリズムは既存の研究に匹敵するサブリニアな後悔を与えることを示す。
  論文  参考訳（メタデータ） (2023-10-10T01:39:04Z)
• On the Generalization of Neural Combinatorial Optimization Heuristics [0.7049738935364298]
  提案手法は,2つの最先端モデルの一般化を著しく改善することを示す。 我々は、個別の学習課題として、与えられたインスタンス分布上でのCO問題の解法を定式化する。 新しいタスクに適応する能力の最適化を目的として,様々なタスクのモデル学習のためのメタラーニング手法について検討する。
  論文  参考訳（メタデータ） (2022-06-01T22:39:35Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
  本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。 このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2021-06-09T09:18:18Z)

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。