論文の概要: Learning to Solve Multi-Objective Routing Problems on Multigraphs

• arxiv url: http://arxiv.org/abs/2506.22095v1
• Date: Fri, 27 Jun 2025 10:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.171368
• Title: Learning to Solve Multi-Objective Routing Problems on Multigraphs
• Title（参考訳）: マルチグラフにおける多目的ルーティング問題の解法
• Authors: Filip Rydin, Attila Lischka, Jiaming Wu, Morteza Haghir Chehreghani, Balázs Kulcsár,
• Abstract要約: マルチグラフ上での多目的ルーティングに対処するための2つのニューラルアプローチを提案する。 最初のアプローチは、ツアーが完了するまでエッジを自動回帰的に選択することで、マルチグラフ上で直接動作する。 一方,第2のモデルではまずまずマルチグラフを単純なグラフにプルークし,ルートを構築する。
• 参考スコア（独自算出の注目度）: 8.317022421446639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based methods for routing have gained significant attention in recent years, both in single-objective and multi-objective contexts. However, the multigraph setting, where multiple paths with distinct attributes can exist between destinations, has largely been overlooked, despite its high practical relevancy. In this paper, we introduce two neural approaches to address multi-objective routing on multigraphs. Our first approach works directly on the multigraph, by autoregressively selecting edges until a tour is completed. On the other hand, our second model first prunes the multigraph into a simple graph and then builds routes. We validate both models experimentally and find that they demonstrate strong performance across a variety of problems, including the Traveling Salesman Problem (TSP) and Capacitated Vehicle Routing Problem (CVRP).
• Abstract（参考訳）: 近年,単一目的と多目的の両方において,学習に基づくルーティング手法が注目されている。 しかし、異なる属性を持つ複数の経路が目的地間で存在するマルチグラフ設定は、実際的な関連性が高いにもかかわらず、ほとんど見過ごされている。 本稿では,マルチグラフ上での多目的ルーティングに対処する2つのニューラルアプローチを提案する。 最初のアプローチは、ツアーが完了するまでエッジを自動回帰的に選択することで、マルチグラフ上で直接動作する。 一方,第2のモデルではまずまずマルチグラフを単純なグラフにプルークし,ルートを構築する。 両モデルを実験的に検証し,トラベリングセールスマン問題 (TSP) やキャパシタントカールーティング問題 (CVRP) など,様々な問題において高い性能を示した。

関連論文リスト

• On-Road Object Importance Estimation: A New Dataset and A Model with Multi-Fold Top-Down Guidance [70.80612792049315]
  本稿では,交通オブジェクト重要度(TOI)という,新しい大規模データセットを提案する。 ボトムアップ機能とマルチフォールドトップダウンガイダンスを統合するモデルを提案する。 我々のモデルは最先端の手法を大きなマージンで上回る。
  論文  参考訳（メタデータ） (2024-11-26T06:37:10Z)
• IP-MOT: Instance Prompt Learning for Cross-Domain Multi-Object Tracking [13.977088329815933]
  マルチオブジェクト追跡(MOT)は、ビデオフレーム間で複数のオブジェクトを関連付けることを目的としている。 既存のアプローチのほとんどは単一のドメイン内でトレーニングと追跡を行っており、結果としてドメイン間の一般化性が欠如している。 我々は,具体的テキスト記述なしで動作可能なMOTのエンドツーエンドトランスフォーマモデルであるIP-MOTを開発した。
  論文  参考訳（メタデータ） (2024-10-30T14:24:56Z)
• RouterRetriever: Routing over a Mixture of Expert Embedding Models [58.987116118425995]
  本稿では、ルーティング機構を用いて、ドメイン固有の専門家の混在を利用した検索モデルであるReuterRetrieverを紹介する。 RouterRetrieverは、ドメイン固有の専門的な埋め込みモデルを混在させたルーティングの利点を示す最初の研究である。
  論文  参考訳（メタデータ） (2024-09-04T13:16:55Z)
• MOWA: Multiple-in-One Image Warping Model [65.73060159073644]
  本研究で提案するマルチ・イン・ワン・イメージ・ワープ・モデル(MOWA)について述べる。 領域レベルと画素レベルでの動作推定を両立させることにより,マルチタスク学習の難しさを軽減する。 私たちの知る限り、これは1つのモデルで複数の実用的なワープタスクを解決する最初の作業です。
  論文  参考訳（メタデータ） (2024-04-16T16:50:35Z)
• Single-Shot and Multi-Shot Feature Learning for Multi-Object Tracking [55.13878429987136]
  そこで本研究では,異なる目標に対して,単発と複数発の特徴を共同で学習するための,シンプルで効果的な2段階特徴学習パラダイムを提案する。 提案手法は,DanceTrackデータセットの最先端性能を達成しつつ,MOT17およびMOT20データセットの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-11-17T08:17:49Z)
• Symmetry-preserving graph attention network to solve routing problems at multiple resolutions [1.9304772860080408]
  問題解決のために,最初の完全同変モデルとトレーニングを導入する。 入力グラフのマルチスケール構造を捉えることが不可欠である。 本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
  論文  参考訳（メタデータ） (2023-10-24T06:22:20Z)
• Large Margin Mechanism and Pseudo Query Set on Cross-Domain Few-Shot Learning [34.81309962770134]
  クロスドメインな数ショット学習は、数ショットの学習問題の新しいブランチである。 本稿では,この問題を解決するために,新しいLMM-PQS法を提案する。 当社のアプローチは堅牢で、トレーニング済みのモデルを、少ないデータで新しいドメインに容易に適用できます。
  論文  参考訳（メタデータ） (2020-05-19T05:28:35Z)

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。