論文の概要: LRM-1B: Towards Large Routing Model

• arxiv url: http://arxiv.org/abs/2507.03300v1
• Date: Fri, 04 Jul 2025 05:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.665261
• Title: LRM-1B: Towards Large Routing Model
• Title（参考訳）: LRM-1B:大規模ルーティングモデルに向けて
• Authors: Han Li, Fei Liu, Zhenkun Wang, Qingfu Zhang,
• Abstract要約: 車両ルーティング問題(VRP)は、重要な実用上の意味を持つ最適化の中心である。 ニューラル最適化(NCO)の最近の進歩は、ニューラルネットワークを利用してVRPを解くことによって、有望な結果を示している。 本研究では,多種多様なVRPシナリオに対応するために,10億のパラメータを持つLarge Routing Model(LRM-1B)を提案する。
• 参考スコア（独自算出の注目度）: 26.18687224390521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle routing problems (VRPs) are central to combinatorial optimization with significant practical implications. Recent advancements in neural combinatorial optimization (NCO) have demonstrated promising results by leveraging neural networks to solve VRPs, yet the exploration of model scaling within this domain remains underexplored. Inspired by the success of model scaling in large language models (LLMs), this study introduces a Large Routing Model with 1 billion parameters (LRM-1B), designed to address diverse VRP scenarios. We present a comprehensive evaluation of LRM-1B across multiple problem variants, distributions, and sizes, establishing state-of-the-art results. Our findings reveal that LRM-1B not only adapts to different VRP challenges but also showcases superior performance, outperforming existing models. Additionally, we explore the scaling behavior of neural routing models from 1M to 1B parameters. Our analysis confirms power-law between multiple model factors and performance, offering critical insights into the optimal configurations for foundation neural routing solvers.
• Abstract（参考訳）: 車両ルーティング問題(VRP)は、重要な実用上の意味を持つ組合せ最適化の中心である。 ニューラルコンビナトリ最適化(NCO)の最近の進歩は、ニューラルネットワークを利用してVRPを解くことによって有望な結果を示しているが、この領域におけるモデルスケーリングの探索は、まだ過小評価されていない。 大規模言語モデル(LLM)におけるモデルスケーリングの成功に触発されて,多種多様なVRPシナリオに対応するために設計された10億のパラメータを持つ大規模ルーティングモデル(LRM-1B)を導入する。 本稿では,複数の問題変種,分布,サイズにまたがる LRM-1B の総合的な評価を行い,その現状を立証する。 以上の結果から, LRM-1BはVRPの課題に適応するだけでなく, 優れた性能を示し, 既存モデルよりも優れた性能を示した。 さらに,1Mから1Bパラメータへのニューラルルーティングモデルのスケーリング挙動についても検討する。 本分析は,複数のモデル因子と性能の相関関係を検証し,基礎的ニューラルネットワーク解法における最適構成に関する重要な知見を提供する。

関連論文リスト

• Are Large Brainwave Foundation Models Capable Yet? Insights from Fine-tuning [41.40603531008809]
  我々は、系統的な微調整実験により、現在の大脳波基礎モデル(LBM)を評価する。 我々の分析によると、最先端のLBMは従来のディープアーキテクチャよりも限界的な改善(0.9%-1.2%)しか得られていない。
  論文  参考訳（メタデータ） (2025-07-01T21:21:42Z)
• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• Improving Generalization of Neural Vehicle Routing Problem Solvers Through the Lens of Model Architecture [9.244633039170186]
  本稿では,ESF(Scaling Factor)とDS(Distributed-Specific)デコーダを提案する。 ESFは、様々な大きさのVRPを解く際に、トレーニング中に発見された慣れ親しんだものに対して、モデルの注意重みパターンを調整する。 DSデコーダは、複数の補助光デコーダを通して複数のトレーニング分布パターンのVRPを明示的にモデル化し、モデル表現空間を拡大する。
  論文  参考訳（メタデータ） (2024-06-10T09:03:17Z)
• MVMoE: Multi-Task Vehicle Routing Solver with Mixture-of-Experts [26.790392171537754]
  MRMoE(Mixed-of-experts)を用いたマルチタスク車両ルーティング解法を提案する。 我々はMVMoEの階層的ゲーティング機構を開発し、経験的性能と計算複雑性のトレードオフを良好に提供する。 実験により,本手法は10種類のVRPのゼロショット一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-05-02T06:02:07Z)
• 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)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)

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。