論文の概要: RADAR: Learning to Route with Asymmetry-aware DistAnce Representations

• arxiv url: http://arxiv.org/abs/2603.03388v2
• Date: Thu, 05 Mar 2026 08:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 15:25:24.354679
• Title: RADAR: Learning to Route with Asymmetry-aware DistAnce Representations
• Title（参考訳）: RADAR:非対称性を考慮した距離表現による経路学習
• Authors: Hang Yi, Ziwei Huang, Yining Ma, Zhiguang Cao,
• Abstract要約: 最近のニューラルソルバは、車両ルーティング問題(VRP)において高い性能を達成している RADARは、既存のニューラルネットワークVRPソルバを非対称入力を処理する能力で強化するスケーラブルなニューラルネットワークフレームワークである。
• 参考スコア（独自算出の注目度）: 40.851628215658174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent neural solvers have achieved strong performance on vehicle routing problems (VRPs), yet they mainly assume symmetric Euclidean distances, restricting applicability to real-world scenarios. A core challenge is encoding the relational features in asymmetric distance matrices of VRPs. Early attempts directly encoded these matrices but often failed to produce compact embeddings and generalized poorly at scale. In this paper, we propose RADAR, a scalable neural framework that augments existing neural VRP solvers with the ability to handle asymmetric inputs. RADAR addresses asymmetry from both static and dynamic perspectives. It leverages Singular Value Decomposition (SVD) on the asymmetric distance matrix to initialize compact and generalizable embeddings that inherently encode the static asymmetry in the inbound and outbound costs of each node. To further model dynamic asymmetry in embedding interactions during encoding, it replaces the standard softmax with Sinkhorn normalization that imposes joint row and column distance awareness in attention weights. Extensive experiments on synthetic and real-world benchmarks across various VRPs show that RADAR outperforms strong baselines on both in-distribution and out-of-distribution instances, demonstrating robust generalization and superior performance in solving asymmetric VRPs.
• Abstract（参考訳）: 近年のニューラルソルバは、車両ルーティング問題(VRP)において高いパフォーマンスを達成しているが、それらは主に対称ユークリッド距離を仮定し、現実のシナリオに適用性を制限する。 中心となる課題は、VRPの非対称距離行列でリレーショナル特徴を符号化することである。 初期の試みはこれらの行列を直接符号化したが、しばしばコンパクトな埋め込みを作れず、大規模にはあまり一般化されなかった。 本稿では、既存のニューラルVRPソルバを非対称入力を扱う能力で強化するスケーラブルなニューラルネットワークフレームワークRADARを提案する。 RADARは静的視点と動的視点の両方から非対称性に対処する。 非対称距離行列上の特異値分解(SVD)を利用して、各ノードのインバウンドおよびアウトバウンドコストにおける静的非対称性を本質的にエンコードするコンパクトで一般化可能な埋め込みを初期化する。 エンコーディング中の埋め込み相互作用における動的非対称性をモデル化するために、標準的なソフトマックスをシンクホーン正規化に置き換える。 各種VRPの総合的および実世界のベンチマーク実験により、RADARは分布内および分布外の両方で強力なベースラインを達成し、非対称VRPの解決における堅牢な一般化と優れたパフォーマンスを実証している。

関連論文リスト

• RRAEDy: Adaptive Latent Linearization of Nonlinear Dynamical Systems [2.4662459762262894]
  本稿では,潜在空間における低次元力学の学習モデルであるRRAEDyを紹介する。 我々はRRAEDyが正確かつ堅牢な予測を実現することを示す。 私たちのコードはオープンソースで、https://github.com/JadM133/RRAEDy.comで公開しています。
  論文  参考訳（メタデータ） (2025-12-08T13:23:12Z)
• Reinforcement Learning Using known Invariances [54.91261509214309]
  本稿では、既知のグループ対称性をカーネルベースの強化学習に組み込むための理論的枠組みを開発する。 対称性を意識したRLは、標準のカーネルよりも大幅に性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-11-05T13:56:14Z)
• Bridging Symmetry and Robustness: On the Role of Equivariance in Enhancing Adversarial Robustness [9.013874391203453]
  敵対的な例では、知覚不能な入力摂動に対する感度を利用して、ディープニューラルネットワークの重大な脆弱性を明らかにしている。 本研究では,群-同変畳み込みを組込み,対向ロバスト性に対するアーキテクチャ的アプローチについて検討する。 これらの層は、モデル行動と入力空間の構造化変換を整合させる対称性の先行を符号化し、よりスムーズな決定境界を促進する。
  論文  参考訳（メタデータ） (2025-10-17T19:26:58Z)
• Ordinal Label-Distribution Learning with Constrained Asymmetric Priors for Imbalanced Retinal Grading [9.147336466586017]
  糖尿病網膜症は、本質的には順序性で長い尾を持つ。 制約付き非対称先行ワッサースタインオートエンコーダ(CAP-WAE)を提案する。 CAP-WAEは、最先端の4重み付きカッパ、精度、マクロF1を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-30T11:58:49Z)
• Rotation Equivariant Arbitrary-scale Image Super-Resolution [62.41329042683779]
  任意のスケールの超解像(ASISR)は、低解像度の入力画像から任意のスケールの高分解能回復を実現することを目的としている。 本研究では, 回転同変ASISR法の構築に尽力する。
  論文  参考訳（メタデータ） (2025-08-07T08:51:03Z)
• Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
  驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。 以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。 我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。 この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
  論文  参考訳（メタデータ） (2025-06-28T01:46:36Z)
• Accelerating Constrained Sampling: A Large Deviations Approach [11.382163777108385]
  本研究は, SRNLMCの長期挙動に着目し, RLDにスキュー対称行列を付加する。 速度関数を明示的に特徴づけることで、スキュー対称行列のこの選択が目標分布への収束を加速することを示す。 提案したスキュー対称行列に基づくSRNLMC実験は優れた性能を示した。
  論文  参考訳（メタデータ） (2025-06-09T14:44:39Z)
• The Generalization Error of Stochastic Mirror Descent on Over-Parametrized Linear Models [37.6314945221565]
  ディープネットワークは、目に見えないデータにうまく一般化することが知られている。 正規化特性は「良い」性質を持つ補間解が見つかることを保証している。 理論を検証し、2つのデータモデルを導入するシミュレーション結果を提案する。
  論文  参考訳（メタデータ） (2023-02-18T22:23:42Z)
• Learning Cross-view Geo-localization Embeddings via Dynamic Weighted Decorrelation Regularization [52.493240055559916]
  クロスビュージオローカライゼーションは、ドローンプラットフォームと衛星プラットフォームという2つのプラットフォームから撮影された同じ位置の画像を見つけることを目的としている。 既存の手法は、通常、特徴空間内の他のものとの埋め込み距離を最適化することに焦点を当てる。 本稿では、低冗長性も重要であり、モデルがより多様なパターンをマイニングする動機となっていると論じる。
  論文  参考訳（メタデータ） (2022-11-10T02:13:10Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)

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。