論文の概要: Topology-Aware and Highly Generalizable Deep Reinforcement Learning for Efficient Retrieval in Multi-Deep Storage Systems

• arxiv url: http://arxiv.org/abs/2506.14787v1
• Date: Tue, 27 May 2025 08:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.673999
• Title: Topology-Aware and Highly Generalizable Deep Reinforcement Learning for Efficient Retrieval in Multi-Deep Storage Systems
• Title（参考訳）: マルチディープストレージシステムにおける効率的な検索のためのトポロジ・アウェアと高一般化型深層強化学習
• Authors: Funing Li, Yuan Tian, Ruben Noortwyck, Jifeng Zhou, Liming Kuang, Robert Schulz,
• Abstract要約: マルチディープ自動車両格納・検索システム (AVS/RS) は, より高容量な車載密度を実現するための実現可能なソリューションである。 この問題を緩和するための従来のアプローチでは、一車線に均質な特徴を持つアイテムを格納する必要があった。 異種アイテム構成を持つマルチディープストレージシステムにおける検索問題に対処する深層強化学習に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.394084459505348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In modern industrial and logistics environments, the rapid expansion of fast delivery services has heightened the demand for storage systems that combine high efficiency with increased density. Multi-deep autonomous vehicle storage and retrieval systems (AVS/RS) present a viable solution for achieving greater storage density. However, these systems encounter significant challenges during retrieval operations due to lane blockages. A conventional approach to mitigate this issue involves storing items with homogeneous characteristics in a single lane, but this strategy restricts the flexibility and adaptability of multi-deep storage systems. In this study, we propose a deep reinforcement learning-based framework to address the retrieval problem in multi-deep storage systems with heterogeneous item configurations. Each item is associated with a specific due date, and the objective is to minimize total tardiness. To effectively capture the system's topology, we introduce a graph-based state representation that integrates both item attributes and the local topological structure of the multi-deep warehouse. To process this representation, we design a novel neural network architecture that combines a Graph Neural Network (GNN) with a Transformer model. The GNN encodes topological and item-specific information into embeddings for all directly accessible items, while the Transformer maps these embeddings into global priority assignments. The Transformer's strong generalization capability further allows our approach to be applied to storage systems with diverse layouts. Extensive numerical experiments, including comparisons with heuristic methods, demonstrate the superiority of the proposed neural network architecture and the effectiveness of the trained agent in optimizing retrieval tardiness.
• Abstract（参考訳）: 現代の産業・物流環境では、高速配送サービスの急速な拡大により、高効率と密度の増大を兼ね備えたストレージシステムへの需要が高まっている。 マルチディープ自動車両格納・検索システム (AVS/RS) は, より高容量な車載密度を実現するための実現可能なソリューションである。 しかし、これらのシステムは、車線遮断による検索操作において重大な課題に直面している。 この問題を緩和するための従来のアプローチでは、一車線に均質な特徴を持つアイテムを格納するが、この戦略はマルチディープストレージシステムの柔軟性と適応性を制限している。 本研究では,異種アイテム構成を持つマルチディープストレージシステムにおける検索問題に対処する,深層強化学習に基づくフレームワークを提案する。 それぞれの項目は特定の予定日と関連付けられており、その目的は全体的脅威を最小限に抑えることである。 システムのトポロジを効果的に把握するために,マルチディープ倉庫のアイテム属性と局所的なトポロジ構造を統合したグラフベースの状態表現を導入する。 この表現を処理するために、グラフニューラルネットワーク(GNN)とトランスフォーマーモデルを組み合わせた新しいニューラルネットワークアーキテクチャを設計する。 GNNは、トポロジカルおよびアイテム固有の情報をすべての直接アクセス可能なアイテムの埋め込みにエンコードし、Transformerはこれらの埋め込みをグローバルな優先順位付けにマッピングする。 Transformerの強力な一般化機能により、多様なレイアウトを持つストレージシステムにも私たちのアプローチを適用することができます。 ヒューリスティック手法との比較を含む大規模な数値実験は、提案したニューラルネットワークアーキテクチャの優位性と、学習エージェントが検索難度を最適化する効果を実証する。

関連論文リスト

• SimpleDeepSearcher: Deep Information Seeking via Web-Powered Reasoning Trajectory Synthesis [89.99161034065614]
  Retrieval-augmented Generation (RAG) システムは複雑なディープ検索シナリオにおいて高度な大規模言語モデル(LLM)を持つ。 既存のアプローチでは、高品質なトレーニングトラジェクトリが欠如し、分散ミスマッチに苦しむ、重要な制限に直面しています。 本稿では,複雑なトレーニングパラダイムではなく,戦略的データエンジニアリングによるギャップを埋めるフレームワークであるSimpleDeepSearcherを紹介する。
  論文  参考訳（メタデータ） (2025-05-22T16:05:02Z)
• Towards Scalable Foundation Model for Multi-modal and Hyperspectral Geospatial Data [14.104497777255137]
  本稿では,3つのイノベーションを取り入れた高効率空間スペクトル変換器について紹介する。 位置マスキングとチャネルマスキングを統合したHyperspectral Masked Autoencoderフレームワークを用いたLESS ViTの事前訓練を行った。 実験により, 提案手法は, 最先端のマルチモーダル地空間基盤モデルと競合する性能を示す。
  論文  参考訳（メタデータ） (2025-03-17T05:42:19Z)
• Brain Inspired Adaptive Memory Dual-Net for Few-Shot Image Classification [10.824399627455326]
  既存の手法は、関連するローカル機能の位置と整合性によってこの問題に対処することを目的としている。 実世界の画像における高いクラス内変動は、いくつかのショット設定下で意味論的に関連する局所領域を特定する上で大きな課題を生じさせる。 一般化最適化システム統合適応メモリデュアルネットワークSCAM-Netを提案する。
  論文  参考訳（メタデータ） (2025-03-10T14:42:51Z)
• Dual-branch Graph Feature Learning for NLOS Imaging [51.31554007495926]
  非視線イメージング(NLOS)は、直接見えない閉塞されたシーンを明らかにする機能を提供する。 xnet法は、アルベド情報回復に特化したアルベド中心の再構築ブランチと、幾何学的構造を抽出する深さ中心の再構築ブランチを統合する。 提案手法は,合成データと実データの間で,既存の手法の中で最も高い性能を実現する。
  論文  参考訳（メタデータ） (2025-02-27T01:49:00Z)
• Systematic construction of continuous-time neural networks for linear dynamical systems [0.0]
  本稿では,動的システムのサブクラスをモデル化するためのニューラルネットワーク構築の体系的アプローチについて論じる。 我々は、各ニューロンの出力が1次または2次常微分方程式(ODE)の解として連続的に進化する連続時間ニューラルネットワークの変種を用いる。 データからネットワークアーキテクチャとパラメータを導出する代わりに、所定のLTIシステムから直接スパースアーキテクチャとネットワークパラメータを計算するための勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-24T16:16:41Z)
• MGAS: Multi-Granularity Architecture Search for Trade-Off Between Model Effectiveness and Efficiency [10.641875933652647]
  我々は,多粒度アーキテクチャサーチ(MGAS)を導入し,効率的かつ効率的なニューラルネットワークを探索する。 各粒度レベル固有の離散化関数を学習し、進化したアーキテクチャに従って単位残率を適応的に決定する。 CIFAR-10、CIFAR-100、ImageNetの大規模な実験により、MGASはモデル性能とモデルサイズとのトレードオフを改善するために、他の最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-23T16:32:18Z)
• Reinforcement learning for multi-item retrieval in the puzzle-based storage system [0.694936386455667]
  本研究は,パズルベースの記憶システムにおける多項目検索問題の解法として,深層強化学習アルゴリズムを開発した。 大規模な数値実験により、強化学習アプローチによって高品質な解が得られることが示された。 同時動作と大規模インスタンスを扱うために,変換アルゴリズムと分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-05T12:39:21Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• A novel Deep Neural Network architecture for non-linear system identification [78.69776924618505]
  非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。 メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。 このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
  論文  参考訳（メタデータ） (2021-06-06T10:06:07Z)
• Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
  我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。 本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
  論文  参考訳（メタデータ） (2020-08-24T09:49:19Z)

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。