論文の概要: Partial Column Generation with Graph Neural Networks for Team Formation and Routing

• arxiv url: http://arxiv.org/abs/2509.15275v1
• Date: Thu, 18 Sep 2025 12:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.841421
• Title: Partial Column Generation with Graph Neural Networks for Team Formation and Routing
• Title（参考訳）: グラフニューラルネットワークによるチーム形成とルーティングのための部分列生成
• Authors: Giacomo Dall'Olio, Rainer Kolisch, Yaoxin Wu,
• Abstract要約: 複数の価格問題のある設定のための新しい部分列生成戦略を提案する。 チーム形成とルーティングの問題に適した機械学習モデルを開発する。 実験により,本手法の適用により解法が向上し,従来の部分列生成手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 15.393624131497992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The team formation and routing problem is a challenging optimization problem with several real-world applications in fields such as airport, healthcare, and maintenance operations. To solve this problem, exact solution methods based on column generation have been proposed in the literature. In this paper, we propose a novel partial column generation strategy for settings with multiple pricing problems, based on predicting which ones are likely to yield columns with a negative reduced cost. We develop a machine learning model tailored to the team formation and routing problem that leverages graph neural networks for these predictions. Computational experiments demonstrate that applying our strategy enhances the solution method and outperforms traditional partial column generation approaches from the literature, particularly on hard instances solved under a tight time limit.
• Abstract（参考訳）: チーム形成とルーティング問題は、空港、医療、保守といった分野におけるいくつかの実世界の応用において、困難な最適化問題である。 この問題を解決するために,カラム生成に基づく正確な解法が文献で提案されている。 本稿では,コストを負に抑えた列を生成する確率の予測に基づいて,複数の価格問題のある設定のための新しい部分列生成戦略を提案する。 我々は、これらの予測にグラフニューラルネットワークを利用するチーム形成とルーティング問題に適した機械学習モデルを開発する。 計算実験により,本手法の適用により解法が向上し,従来の部分列生成手法よりも優れた結果が得られた。

関連論文リスト

• Inexact Column Generation for Bayesian Network Structure Learning via Difference-of-Submodular Optimization [8.09615396808421]
  最先端のBNSLIPの定式化は、指数関数的に多くの変数と制約に悩まされる。 このような課題に対処するためのIPの標準的なアプローチは、行と列の生成テクニックを採用することである。 我々の行と列の生成アプローチは、最先端のスコアベースアプローチよりも高い品質のソリューションが得られることを示す。
  論文  参考訳（メタデータ） (2025-05-16T10:23:19Z)
• Generative Diffusion Models for Resource Allocation in Wireless Networks [77.36145730415045]
  我々は、専門家を模倣し、最適な分布から新しいサンプルを生成するポリシーを訓練する。 生成したサンプルの逐次実行により,ほぼ最適性能を実現する。 電力制御のケーススタディにおいて数値的な結果を示す。
  論文  参考訳（メタデータ） (2025-04-28T21:44:31Z)
• Learning Regularization for Graph Inverse Problems [16.062351610520693]
  グラフ逆問題(GRIP)を解決するためにGNNを利用するフレームワークを導入する。 このフレームワークは、データに適合するソリューションを見つけるために使用される、可能性と事前条件の組み合わせに基づいている。 本稿では,フレームワークの有効性を示す代表的問題について検討する。
  論文  参考訳（メタデータ） (2024-08-19T22:03:02Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
  本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。 提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
  論文  参考訳（メタデータ） (2022-06-01T10:35:29Z)
• $\textit{latent}$-GLAT: Glancing at Latent Variables for Parallel Text Generation [65.29170569821093]
  並列テキスト生成は、ジェネレーション効率の成功により、広く注目を集めています。 本稿では,単語分類情報を取得するために,離散潜在変数を用いた$textitlatent$-GLATを提案する。 実験結果から,本手法は自己回帰モデルを用いることなく,強いベースラインを達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-04-05T07:34:12Z)
• Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
  本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。 数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。 そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
  論文  参考訳（メタデータ） (2022-01-07T02:46:35Z)
• Graph Minors Meet Machine Learning: the Power of Obstructions [0.90238471756546]
  ニューラルネットワークのトレーニングに閉塞を用いることの有用性を示す。 実験により、障害のあるトレーニングによって収束に必要なイテレーションの数が大幅に減少することが示された。
  論文  参考訳（メタデータ） (2020-06-08T15:40:04Z)

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。