論文の概要: SEAFormer: A Spatial Proximity and Edge-Aware Transformer for Real-World Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2601.19395v2
• Date: Tue, 03 Feb 2026 05:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 16:18:58.793199
• Title: SEAFormer: A Spatial Proximity and Edge-Aware Transformer for Real-World Vehicle Routing Problems
• Title（参考訳）: SEAFormer:現実世界の車両ルーティング問題に対する空間的近接性とエッジ認識変換器
• Authors: Saeed Nasehi Basharzad, Farhana Choudhury, Egemen Tanin,
• Abstract要約: 本稿では,ノードレベルの情報とエッジレベルの情報の両方を意思決定に組み込んだ新しいトランスフォーマーSEAFormerを提案する。 SEAFormerは1000以上のノードRWVRPを効果的に解決する最初のニューラルネットワーク手法である。
• 参考スコア（独自算出の注目度）: 2.1155908599769764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world Vehicle Routing Problems (RWVRPs) require solving complex, sequence-dependent challenges at scale with constraints such as delivery time window, replenishment or recharging stops, asymmetric travel cost, etc. While recent neural methods achieve strong results on large-scale classical VRP benchmarks, they struggle to address RWVRPs because their strategies overlook sequence dependencies and underutilize edge-level information, which are precisely the characteristics that define the complexity of RWVRPs. We present SEAFormer, a novel transformer that incorporates both node-level and edge-level information in decision-making through two key innovations. First, our Clustered Proximity Attention (CPA) exploits locality-aware clustering to reduce the complexity of attention from $O(n^2)$ to $O(n)$ while preserving global perspective, allowing SEAFormer to efficiently train on large instances. Second, our lightweight edge-aware module captures pairwise features through residual fusion, enabling effective incorporation of edge-based information and faster convergence. Extensive experiments across four RWVRP variants with various scales demonstrate that SEAFormer achieves superior results over state-of-the-art methods. Notably, SEAFormer is the first neural method to solve 1,000+ node RWVRPs effectively, while also achieving superior performance on classic VRPs, making it a versatile solution for both research benchmarks and real-world applications.
• Abstract（参考訳）: 実世界の車両ルーティング問題(RWVRPs)は、配送時間窓、補充や充電停止、非対称旅行コストなどの制約で、複雑なシーケンス依存の課題を大規模に解決する必要がある。 最近のニューラルメソッドは、大規模な古典的VRPベンチマークで強力な結果を得る一方で、RWVRPの複雑性を定義する特徴であるシーケンス依存を見逃し、エッジレベルの情報を過小評価するため、RWVRPの対処に苦慮している。 ノードレベルの情報とエッジレベルの情報の両方を2つの重要なイノベーションを通じて意思決定に組み込んだ,新しいトランスフォーマーであるSEAFormerを提案する。 まず、CPA(Clustered Proximity Attention)は、ローカリティを意識したクラスタリングを利用して、グローバルな視点を維持しながら、注意の複雑さを$O(n^2)$から$O(n)$に低減します。 第二に、私たちの軽量エッジ対応モジュールは、残差融合によりペアの機能をキャプチャし、エッジベースの情報を効果的に取り込み、より高速な収束を可能にする。 様々なスケールを持つ4つのRWVRP変種に対する大規模な実験により、SEAFormerは最先端の手法よりも優れた結果が得られることが示された。 特に、SEAFormerは1000以上のノードRWVRPを効果的に解決する最初のニューラルネットワーク手法であり、古典的なVRPでも優れたパフォーマンスを実現している。

関連論文リスト

• Reinforced Model Merging [53.84354455400038]
  本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。 評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
  論文  参考訳（メタデータ） (2025-03-27T08:52:41Z)
• GDSR: Global-Detail Integration through Dual-Branch Network with Wavelet Losses for Remote Sensing Image Super-Resolution [30.21425157733119]
  リモートセンシング画像(RSI)におけるRWKV(Receptance Weighted Key Value)の新たな応用について紹介する。 本稿では,RWKVと畳み込み演算を並列に行い,大規模RSIを扱うGDSRを提案する。 さらに、二重グループサブバンド戦略によるウェーブレット領域制約機構であるDual-Group Multi-Scale Wavelet Lossを提案する。
  論文  参考訳（メタデータ） (2024-12-31T10:43:19Z)
• A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems [67.52782366565658]
  State-of-the-art recommender system (RS) は、埋め込みベクトルによって符号化される分類的特徴に依存し、結果として非常に大きな埋め込みテーブルとなる。 軽量埋め込み型RSの繁栄にもかかわらず、評価プロトコルには幅広い多様性が見られる。 本研究では, LERSの性能, 効率, クロスタスク転送性について, 徹底的なベンチマークによる検討を行った。
  論文  参考訳（メタデータ） (2024-06-25T07:45:00Z)
• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• Spatial-temporal-demand clustering for solving large-scale vehicle routing problems with time windows [0.0]
  本稿では,クラスタリングを用いて顧客をグループ化するDRI(Decompose-route-improve)フレームワークを提案する。 その類似度基準は、顧客の空間的、時間的、需要データを含む。 本研究では,解答サブプロブレム間でプルーンド局所探索(LS)を適用し,全体の解法を改善する。
  論文  参考訳（メタデータ） (2024-01-20T06:06:01Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)

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。