論文の概要: URS: A Unified Neural Routing Solver for Cross-Problem Zero-Shot Generalization

• arxiv url: http://arxiv.org/abs/2509.23413v1
• Date: Sat, 27 Sep 2025 17:11:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.214418
• Title: URS: A Unified Neural Routing Solver for Cross-Problem Zero-Shot Generalization
• Title（参考訳）: URS: クロスプロブレムゼロショット一般化のための統一ニューラルネットワークルーティングソル
• Authors: Changliang Zhou, Canhong Yu, Shunyu Yao, Xi Lin, Zhenkun Wang, Yu Zhou, Qingfu Zhang,
• Abstract要約: URSは、広範囲の見えないVRPにわたってゼロショットの一般化が可能な統一されたニューラルネットワークルーティング解決器である。 URSは、単一のモデルで100以上のVRP変種を扱うことができる最初のニューラルソルバである。
• 参考スコア（独自算出の注目度）: 34.537959748727076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task neural routing solvers have emerged as a promising paradigm for their ability to solve multiple vehicle routing problems (VRPs) using a single model. However, existing neural solvers typically rely on predefined problem constraints or require per-problem fine-tuning, which substantially limits their zero-shot generalization ability to unseen VRP variants. To address this critical bottleneck, we propose URS, a unified neural routing solver capable of zero-shot generalization across a wide range of unseen VRPs using a single model without any fine-tuning. The key component of URS is the unified data representation (UDR), which replaces problem enumeration with data unification, thereby broadening the problem coverage and reducing reliance on domain expertise. In addition, we propose a Mixed Bias Module (MBM) to efficiently learn the geometric and relational biases inherent in various problems. On top of the proposed UDR, we further develop a parameter generator that adaptively adjusts the decoder and bias weights of MBM to enhance zero-shot generalization. Moreover, we propose an LLM-driven constraint satisfaction mechanism, which translates raw problem descriptions into executable stepwise masking functions to ensure solution feasibility. Extensive experiments demonstrate that URS can consistently produce high-quality solutions for more than 100 distinct VRP variants without any fine-tuning, which includes more than 90 unseen variants. To the best of our knowledge, URS is the first neural solver capable of handling over 100 VRP variants with a single model.
• Abstract（参考訳）: マルチタスク・ニューラルルーティング・ソルバは、単一のモデルを用いて複数の車両ルーティング問題(VRP)を解く能力において、有望なパラダイムとして登場した。 しかし、既存のニューラルソルバは、通常、事前に定義された問題制約に依存するか、プロブレムごとの微調整を必要とする。 この重要なボトルネックに対処するために、単一モデルを用いて広範囲の未確認VRPをゼロショットで一般化できる統一型ニューラルネットワークルーティング解決器URSを提案する。 URSの主要なコンポーネントは統一データ表現(UDR)であり、これは問題列挙をデータ統一に置き換え、問題カバレッジを拡大し、ドメインの専門知識への依存を減らす。 さらに,様々な問題に固有の幾何学的および関係的バイアスを効率的に学習する混合バイアスモジュール(MBM)を提案する。 提案するUDRの上に,MBMのデコーダとバイアス重みを適応的に調整し,ゼロショット一般化を向上するパラメータ生成器を開発する。 さらに, LLMによる制約満足度機構を提案し, 生問題記述を段階的にマスキング機能に変換し, ソリューションの実現性を確保する。 大規模な実験では、URSは90以上の未知の変種を含む微調整なしで、100以上の異なるVRP変種に対して一貫して高品質なソリューションを生産できることを示した。 私たちの知る限りでは、URSは単一のモデルで100以上のVRP変種を処理できる最初のニューラルソルバである。

関連論文リスト

• Efficient Neural Combinatorial Optimization Solver for the Min-max Heterogeneous Capacitated Vehicle Routing Problem [44.53289422887474]
  既存のNCOソルバは、通常、各デコードステップを訪問するために車両とその次のノードを選択するが、多くの場合、ミオピック復号決定を行い、MMHCVRPの重要な特性を見落としている。 これらの制約に対処するため,効率的なNCO解法ECHOを提案する。 ECHOは、さまざまな車両やノードで最先端のNCOソルバより優れており、スケールと分散パターンの両方にわたって、良好なパフォーマンスの一般化を示している。
  論文  参考訳（メタデータ） (2025-07-28T23:38:33Z)
• UC-MOA: Utility-Conditioned Multi-Objective Alignment for Distributional Pareto-Optimality [52.49062565901046]
  Reinforcement Learning from Human Feedback (RLHF) は、大きな言語モデルと人間の価値を整合させる基盤となっている。 既存のアプローチは、人間の好みの多次元、分布的なニュアンスを捉えるのに苦労している。 本稿では,これらの制約を克服する新しいフレームワークであるUtility-Conditioned Multi-Objective Alignment (UC-MOA)を紹介する。
  論文  参考訳（メタデータ） (2025-03-10T09:52:42Z)
• RL-SPH: Learning to Achieve Feasible Solutions for Integer Linear Programs [3.3894236476098185]
  RL-SPHは、非二項整数を含むILPに対しても独立に実現可能な解を生成することができる新しい強化学習ベーススタートプライマーである。 実験により、RL-SPHは、既存の原始よりも平均44倍低い原始ギャップと2.3倍低い積分を達成し、高品質な実現可能な解を迅速に得ることが示された。
  論文  参考訳（メタデータ） (2024-11-29T07:23:34Z)
• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• 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)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。