論文の概要: Bridging Synthetic and Real Routing Problems via LLM-Guided Instance Generation and Progressive Adaptation

• arxiv url: http://arxiv.org/abs/2511.10233v1
• Date: Fri, 14 Nov 2025 01:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.759576
• Title: Bridging Synthetic and Real Routing Problems via LLM-Guided Instance Generation and Progressive Adaptation
• Title（参考訳）: LLM誘導インスタンス生成とプログレッシブ適応によるブリジング合成と実経路問題
• Authors: Jianghan Zhu, Yaoxin Wu, Zhuoyi Lin, Zhengyuan Zhang, Haiyan Yin, Zhiguang Cao, Senthilnath Jayavelu, Xiaoli Li,
• Abstract要約: EvoRealは多様で現実的な構造パターンを特徴とする合成インスタンスを生成する。 EvoRealは最先端のニューラルソルバの一般化能力を著しく改善する。
• 参考スコア（独自算出の注目度）: 42.609685250591106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Neural Combinatorial Optimization (NCO) methods have significantly improved the capability of neural solvers to handle synthetic routing instances. Nonetheless, existing neural solvers typically struggle to generalize effectively from synthetic, uniformly-distributed training data to real-world VRP scenarios, including widely recognized benchmark instances from TSPLib and CVRPLib. To bridge this generalization gap, we present Evolutionary Realistic Instance Synthesis (EvoReal), which leverages an evolutionary module guided by large language models (LLMs) to generate synthetic instances characterized by diverse and realistic structural patterns. Specifically, the evolutionary module produces synthetic instances whose structural attributes statistically mimics those observed in authentic real-world instances. Subsequently, pre-trained NCO models are progressively refined, firstly aligning them with these structurally enriched synthetic distributions and then further adapting them through direct fine-tuning on actual benchmark instances. Extensive experimental evaluations demonstrate that EvoReal markedly improves the generalization capabilities of state-of-the-art neural solvers, yielding a notable reduced performance gap compared to the optimal solutions on the TSPLib (1.05%) and CVRPLib (2.71%) benchmarks across a broad spectrum of problem scales.
• Abstract（参考訳）: ニューラルネットワーク最適化(NCO)手法の最近の進歩は、合成ルーティングインスタンスを扱うニューラルネットワークの能力を大幅に改善している。 それにもかかわらず、既存のニューラルネットワークは一般的に、TSPLibやCVRPLibから広く認識されているベンチマークインスタンスを含む、合成で均一に分散されたトレーニングデータを現実のVRPシナリオに効果的に一般化するのに苦労している。 この一般化ギャップを埋めるために,大規模言語モデル (LLM) によって導かれる進化的モジュールを活用し,多様かつ現実的な構造パターンを特徴とする合成例を生成する進化的実例合成(EvoReal)を提案する。 具体的には、進化モジュールは、真の現実世界のインスタンスで観測されたものを統計的に模倣する合成インスタンスを生成する。 その後、事前訓練されたNCOモデルは徐々に洗練され、まずこれらの構造に富んだ合成分布と整列し、さらに実際のベンチマークインスタンスを直接微調整することで適応する。 大規模な実験的評価により、EvoRealは最先端のニューラルソルバの一般化能力を著しく改善し、TSPLib (1.05%) と CVRPLib (2.71%) ベンチマークの幅広い問題スケールでの最適解と比較して、顕著なパフォーマンスギャップを生じることが示された。

関連論文リスト

• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Toward Efficient Spiking Transformers: Synapse Pruning Meets Synergistic Learning-Based Compensation [12.571308607235062]
  Transformerは最近、様々なタスクで有望なパフォーマンスを持つニューラルネットワークに適応している。 既存のスパイキングトランスフォーマー(ST)ベースのモデルは、かなりの数のパラメータと高い計算コストを必要とする。 本稿では, シナプスプルーニングと相乗的学習に基づく補償戦略を組み合わせることで, 軽量STベースモデルを導出することを提案する。
  論文  参考訳（メタデータ） (2025-08-04T02:19:38Z)
• LLMSynthor: Macro-Aligned Micro-Records Synthesis with Large Language Models [20.767947974005168]
  LLM Synthorは、ターゲットのマクロ統計と一致した現実的なマイクロレコードを生成するマクロ認識シミュレータである。 合成データセットを反復的に構築し、合成アグリゲーションとターゲットアグリゲーションの差を最小限に抑える。 強力な現実主義、統計的忠実さ、実用性を実現し、経済学、社会科学、都市研究に広く応用されている。
  論文  参考訳（メタデータ） (2025-05-20T13:35:38Z)
• Synthetic Oversampling: Theory and A Practical Approach Using LLMs to Address Data Imbalance [16.047084318753377]
  不均衡な分類と急激な相関は、データサイエンスと機械学習における一般的な課題である。 近年の進歩は、大規模言語モデルの柔軟性と生成能力を生かして合成サンプルを生成することを提案した。 本稿では,不均衡な分類とスプリアス相関に対処する上で,合成試料の役割を体系的に研究する新たな理論基盤を開発する。
  論文  参考訳（メタデータ） (2024-06-05T21:24:26Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。