論文の概要: Enabling Population-Based Architectures for Neural Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2601.08696v1
• Date: Tue, 13 Jan 2026 16:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.281203
• Title: Enabling Population-Based Architectures for Neural Combinatorial Optimization
• Title（参考訳）: ニューラルコンビネーション最適化のための人口ベースアーキテクチャの提案
• Authors: Andoni Irazusta Garmendia, Josu Ceberio, Alexander Mendiburu,
• Abstract要約: 我々は,Nuural Combinatorial Optimization(NCO)を,候補解の集合に作用する学習ポリシーによって明示的に人口ベースにする方法を研究する。 これらのアイデアを2つの補完的なツールで具体化します。1つは、全人口間で共有される情報を使って既存のソリューションを改善するもので、もう1つは、高品質と多様性とのバランスを明確にした新しい候補ソリューションを生成します。
• 参考スコア（独自算出の注目度）: 48.248213281039334
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural Combinatorial Optimization (NCO) has mostly focused on learning policies, typically neural networks, that operate on a single candidate solution at a time, either by constructing one from scratch or iteratively improving it. In contrast, decades of work in metaheuristics have shown that maintaining and evolving populations of solutions improves robustness and exploration, and often leads to stronger performance. To close this gap, we study how to make NCO explicitly population-based by learning policies that act on sets of candidate solutions. We first propose a simple taxonomy of population awareness levels and use it to highlight two key design challenges: (i) how to represent a whole population inside a neural network, and (ii) how to learn population dynamics that balance intensification (generating good solutions) and diversification (maintaining variety). We make these ideas concrete with two complementary tools: one that improves existing solutions using information shared across the whole population, and the other generates new candidate solutions that explicitly balance being high-quality with diversity. Experimental results on Maximum Cut and Maximum Independent Set indicate that incorporating population structure is advantageous for learned optimization methods and opens new connections between NCO and classical population-based search.
• Abstract（参考訳）: Neural Combinatorial Optimization(NCO)は、主に学習ポリシー(典型的にはニューラルネットワーク)に焦点を当てている。 対照的に、メタヒューリスティックスにおける何十年にもわたっての研究は、ソリューションの人口の維持と進化がロバスト性や探索を改善し、しばしばパフォーマンスを向上させることを示した。 このギャップを埋めるために、我々はNCOが対象とするソリューションの集合に作用する学習ポリシーにより、NCOを明示的に人口ベースにする方法について研究する。 まず、人口意識の単純な分類法を提案し、2つの重要な設計課題を強調します。 一 ニューラルネットワーク内の全人口を表す方法、及び (II)強化(良い解の生成)と多様化(多様性の維持)のバランスをとる人口動態の学習方法。 これらのアイデアを2つの補完的なツールで具体化します。1つは、全人口間で共有される情報を使って既存のソリューションを改善するもので、もう1つは、高品質と多様性とのバランスを明確にした新しい候補ソリューションを生成します。 最大カットと最大独立セットの実験結果から、人口構造を組み込むことは学習最適化手法に有利であり、NCOと古典的人口ベースサーチの新たな接続を開放することを示す。

関連論文リスト

• Discovering Quality-Diversity Algorithms via Meta-Black-Box Optimization [8.5083347559272]
  品質多様性(Quality-Diversity)は、高性能なソリューションの多様な集団を生成する進化アルゴリズムのファミリーである。 メタラーニングを用いて,新しい品質多様性アルゴリズムの自動発見を提案する。
  論文  参考訳（メタデータ） (2025-02-04T10:13:13Z)
• Neural Solver Selection for Combinatorial Optimization [23.449310200885893]
  本稿では,特徴抽出,選択モデル,選択戦略を含むニューラルソルバのコーディネートを行うための,最初の汎用フレームワークを提案する。 提案するフレームワークは,インスタンスを効果的に分散し,結果として得られる複合解法により性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-10-13T02:05:41Z)
• Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
  最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。 GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。 我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-05T22:52:27Z)
• MaxMin-RLHF: Alignment with Diverse Human Preferences [101.57443597426374]
  Reinforcement Learning from Human Feedback (RLHF) は、言語モデルと人間の嗜好を一致させる。 予測最大化アルゴリズムを用いて嗜好分布の混合を学習し、人間の嗜好をよりよく表現する。 従来のRLHFアルゴリズムよりも16%以上の勝利率向上を実現している。
  論文  参考訳（メタデータ） (2024-02-14T03:56:27Z)
• A two-stage algorithm in evolutionary product unit neural networks for classification [0.0]
  本稿では,進化過程の初期段階において,より広範な多様性を付加する手法を提案する。 異なるパラメータ設定で2つの初期個体群を作成し、少数の世代で進化させ、同じ割合で各個体群から最高の個体群を選択し、それらを組み合わせて新しい初期個体群を構成する。
  論文  参考訳（メタデータ） (2024-02-09T18:56:07Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• Efficient Diversity-Driven Ensemble for Deep Neural Networks [28.070540722925152]
  アンサンブルの多様性と効率の両方に対処するために,効率的なダイバーシティ駆動型アンサンブル(EDDE)を提案する。 他のよく知られたアンサンブル法と比較して、EDDEは訓練コストの低い最も高いアンサンブル精度を得ることができる。 EDDE on Computer Vision (CV) and Natural Language Processing (NLP) task。
  論文  参考訳（メタデータ） (2021-12-26T04:28:47Z)

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。