論文の概要: EFormer: An Effective Edge-based Transformer for Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2506.16428v1
• Date: Thu, 19 Jun 2025 16:07:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.154635
• Title: EFormer: An Effective Edge-based Transformer for Vehicle Routing Problems
• Title（参考訳）: EFormer: 車両ルーティング問題に有効なエッジベースの変圧器
• Authors: Dian Meng, Zhiguang Cao, Yaoxin Wu, Yaqing Hou, Hongwei Ge, Qiang Zhang,
• Abstract要約: エッジをVRPの唯一の入力として使用するエッジベースのトランスフォーマーモデルであるEFormerを紹介する。 提案手法では,エッジ情報を一時ノード埋め込みに変換するために,混合スコアアテンション機構を備えたプリコーダモジュールを用いる。 EFormerは、合成データセットに基づいて確立されたベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 25.234292937274212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent neural heuristics for the Vehicle Routing Problem (VRP) primarily rely on node coordinates as input, which may be less effective in practical scenarios where real cost metrics-such as edge-based distances-are more relevant. To address this limitation, we introduce EFormer, an Edge-based Transformer model that uses edge as the sole input for VRPs. Our approach employs a precoder module with a mixed-score attention mechanism to convert edge information into temporary node embeddings. We also present a parallel encoding strategy characterized by a graph encoder and a node encoder, each responsible for processing graph and node embeddings in distinct feature spaces, respectively. This design yields a more comprehensive representation of the global relationships among edges. In the decoding phase, parallel context embedding and multi-query integration are used to compute separate attention mechanisms over the two encoded embeddings, facilitating efficient path construction. We train EFormer using reinforcement learning in an autoregressive manner. Extensive experiments on the Traveling Salesman Problem (TSP) and Capacitated Vehicle Routing Problem (CVRP) reveal that EFormer outperforms established baselines on synthetic datasets, including large-scale and diverse distributions. Moreover, EFormer demonstrates strong generalization on real-world instances from TSPLib and CVRPLib. These findings confirm the effectiveness of EFormer's core design in solving VRPs.
• Abstract（参考訳）: 車両ルーティング問題(VRP)に対する最近の神経ヒューリスティックス(英語版)は、主にノード座標を入力として依存しており、実際のコストメトリクス(エッジベース距離など)がより関係のある現実的なシナリオでは効果が低い可能性がある。 この制限に対処するため,エッジをVRPの唯一の入力として使用するエッジベースのトランスフォーマーモデルであるEFormerを導入する。 提案手法では,エッジ情報を一時ノード埋め込みに変換するために,混合スコアアテンション機構を備えたプリコーダモジュールを用いる。 また,グラフエンコーダとノードエンコーダを特徴とする並列符号化方式を提案する。 この設計は、エッジ間のグローバルな関係をより包括的に表現する。 復号フェーズでは、並列コンテキスト埋め込みとマルチクエリ統合を使用して、2つの符号化された埋め込みの異なる注意機構を計算し、効率的な経路構築を容易にする。 自己回帰的に強化学習を用いてEFormerを訓練する。 トラベリングセールスマン問題 (TSP) とキャパシタントカールーティング問題 (CVRP) に関する大規模な実験により、EFormer は大規模で多様な分布を含む合成データセットのベースラインに優れていたことが判明した。 さらに、EFormerはTSPLibとCVRPLibから現実世界のインスタンスを強く一般化している。 これらの結果から,VRPの解決におけるEFormerの中核設計の有効性が確認された。

関連論文リスト

• GITO: Graph-Informed Transformer Operator for Learning Complex Partial Differential Equations [0.0]
  複素偏微分方程式系を学習するための新しいグラフインフォームド・トランスフォーマ演算子(GITO)アーキテクチャを提案する。 GITOは、HGT(Hybrid graph transformer)とTNO(Transformer Neural operator)の2つの主要モジュールから構成される。 ベンチマークPDEタスクの実験的結果は、GITOが既存のトランスフォーマーベースのニューラル演算子より優れていることを示している。
  論文  参考訳（メタデータ） (2025-06-16T18:35:45Z)
• Neural Combinatorial Optimization for Real-World Routing [15.136899433821894]
  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。
  論文  参考訳（メタデータ） (2025-03-20T13:57:33Z)
• CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
  本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。 まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。 分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
  論文  参考訳（メタデータ） (2024-11-25T07:56:13Z)
• GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
  車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。 提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-05-21T03:33:07Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Pointerformer: Deep Reinforced Multi-Pointer Transformer for the Traveling Salesman Problem [67.32731657297377]
  トラベリングセールスマン問題(TSP)は、もともと輸送と物流の領域で発生した古典的な経路最適化問題である。 近年, 深層強化学習は高い推論効率のため, TSP の解法として採用されている。 本稿では,多点変換器をベースとした新しいエンドツーエンドDRL手法であるPointerformerを提案する。
  論文  参考訳（メタデータ） (2023-04-19T03:48:32Z)
• LENet: Lightweight And Efficient LiDAR Semantic Segmentation Using Multi-Scale Convolution Attention [0.0]
  本稿では,LDARに基づくセマンティックセマンティックセマンティクスのためのエンコーダデコーダ構造を持つLENetと呼ばれるプロジェクションベースのセマンティクスセマンティクスセマンティクスネットワークを提案する。 エンコーダは、特徴を捉えるために、様々な受信フィールドサイズを持つ新しいマルチスケール・コンボリューション・アテンション(MSCA)モジュールで構成されている。 提案手法は, 最先端のセマンティックセグメンテーション法と比較して, 軽量で, 効率的で, 堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-01-11T02:51:38Z)
• Learning to Iteratively Solve Routing Problems with Dual-Aspect Collaborative Transformer [14.680514752270375]
  本稿では、ノードの埋め込みと位置特徴を別々に学習するDACT(Dual-Aspect Collaborative Transformer)を提案する。 位置特徴は、トランスフォーマーがVRP溶液の円度と対称性を効果的に捉えられるように、新しいサイクリック位置符号化(CPE)法によって埋め込まれている。
  論文  参考訳（メタデータ） (2021-10-06T07:21:41Z)

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。