論文の概要: Constraints Matrix Diffusion based Generative Neural Solver for Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2603.07568v1
• Date: Sun, 08 Mar 2026 10:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.816268
• Title: Constraints Matrix Diffusion based Generative Neural Solver for Vehicle Routing Problems
• Title（参考訳）: 行列拡散に基づく車両ルーティング問題に対する生成ニューラルソルバーの制約
• Authors: Zhenwei Wang, Tiehua Zhang, Ning Xue, Ender Ozcan, Ling Wang, Ruibin Bai,
• Abstract要約: 本稿では、離散ノイズグラフ拡散モデルを用いて車両ルーティング問題の根底にある制約を学習する新しい融合ニューラルネットワークフレームワークを提案する。 この研究は、378の組合せ空間にわたるニューラルネットワークモデルの解法に関する、初めての総合的な実験的研究である。
• 参考スコア（独自算出の注目度）: 16.541111954252397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, neural network solvers powered by generative artificial intelligence have garnered significant attention in the domain of vehicle routing problems (VRPs), owing to their exceptional computational efficiency and superior reasoning capabilities. In particular, autoregressive solvers integrated with reinforcement learning have emerged as a prominent trend. However, much of the existing work emphasizes large-scale generalization of neural approaches while neglecting the limited robustness of attention-based methods across heterogeneous distributions of problem parameters. Their improvements over heuristic search remain largely restricted to hand-curated, fixed-distribution benchmarks. Furthermore, these architectures tend to degrade significantly when node representations are highly similar or when tasks involve long decision horizons. To address the aforementioned limitations, we propose a novel fusion neural network framework that employs a discrete noise graph diffusion model to learn the underlying constraints of vehicle routing problems and generate a constraint assignment matrix. This matrix is subsequently integrated adaptively into the feature representation learning and decision process of the autoregressive solver, serving as a graph structure mask that facilitates the formation of solutions characterized by both global vision and local feature integration. To the best of our knowledge, this work represents the first comprehensive experimental investigation of neural network model solvers across a 378-combinatorial space spanning four distinct dimensions within the CVRPlib public dataset. Extensive experimental evaluations demonstrate that our proposed fusion model effectively captures and leverages problem constraints, achieving state-of-the-art performance across multiple benchmark datasets.
• Abstract（参考訳）: 過去10年間で、生成人工知能を利用したニューラルネットワークの解法は、その計算効率と優れた推論能力のために、車両ルーティング問題(VRP)の領域において大きな注目を集めてきた。 特に、強化学習と統合された自己回帰解法が顕著なトレンドとなっている。 しかしながら、既存の研究の多くは、問題パラメータの不均一な分布にまたがる注意に基づく手法の限られた堅牢性を無視しながら、ニューラルネットワークの大規模一般化を強調している。 ヒューリスティック検索に対する彼らの改善は、手作業による固定分布ベンチマークに大きく制限されている。 さらに、これらのアーキテクチャはノード表現が非常に類似している場合や、タスクが長い決定の地平線を含む場合、大幅に劣化する傾向にある。 上記の制約に対処するために、離散ノイズグラフ拡散モデルを用いて車両ルーティング問題の根底にある制約を学習し、制約割り当て行列を生成する新しい融合ニューラルネットワークフレームワークを提案する。 この行列は、その後、自己回帰解法の特徴表現学習と決定過程に適応的に統合され、グローバルビジョンと局所的特徴統合の両方によって特徴づけられるソリューションの形成を容易にするグラフ構造マスクとして機能する。 我々の知る限り、この研究は、CVRPlibパブリックデータセット内の4つの異なる次元にまたがる378の組合せ空間にわたるニューラルネットワークモデル解決器に関する、初めての総合的な実験的研究である。 大規模な実験により,提案した融合モデルが問題制約を効果的に捕捉し,活用し,複数のベンチマークデータセットにまたがる最先端性能を実現することを示した。

関連論文リスト

• GAMA: A Neural Neighborhood Search Method with Graph-aware Multi-modal Attention for Vehicle Routing Problem [3.6747239734253703]
  本稿では,VRPにおけるグラフ対応マルチモーダルアテンションモデルを用いたニューラル近所探索手法であるGAMAを提案する。 GAMAは、問題インスタンスとその進化するソリューションをグラフニューラルネットワークを使用して、異なるモダリティとしてエンコードする。 ゲート融合機構は、マルチモーダル表現をさらに構造化状態に統合し、ポリシーが情報および一般化可能な演算子選択決定を可能にする。
  論文  参考訳（メタデータ） (2025-11-11T05:34:00Z)
• Diffusion-Based Solver for CNF Placement on the Cloud-Continuum [1.529342790344802]
  CNF配置の拡散確率モデル(DDPM)に基づく新しい理論的枠組みが提案されている。 このモデルは、損失関数に直接制約固有の損失を組み込むことで、実現可能な解空間を学習することができる。 その結果,ネットワーク埋め込み問題に対する拡散型生成モデルの可能性が示された。
  論文  参考訳（メタデータ） (2025-11-03T08:47:58Z)
• Towards Constraint-Based Adaptive Hypergraph Learning for Solving Vehicle Routing: An End-to-End Solution [4.965709007367529]
  車両の経路問題は、広大な解空間と複雑な制約によって特徴づけられる。 本研究では,制約指向のハイパーグラフと強化学習を組み合わせた新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-13T14:42:44Z)
• HSLiNets: Hyperspectral Image and LiDAR Data Fusion Using Efficient Dual Non-Linear Feature Learning Networks [7.06787067270941]
  新しい線形特徴空間におけるハイパースペクトルイメージング(HSI)とLiDARデータの統合は、HSIに固有の高次元性と冗長性に起因する課題に対する有望な解決策を提供する。 本研究では、双方向逆畳み込み畳み込みニューラルネットワーク(CNN)経路と特殊空間解析ブロックを併用した、二重線型融合空間フレームワークを提案する。 提案手法は,データ処理や分類精度を向上するだけでなく,トランスフォーマーなどの先進モデルに係わる計算負担を軽減する。
  論文  参考訳（メタデータ） (2024-11-30T01:08:08Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。 この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
  車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。 提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-05-21T03:33:07Z)
• AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
  限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• 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)

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。