論文の概要: Graph-RHO: Critical-path-aware Heterogeneous Graph Network for Long-Horizon Flexible Job-Shop Scheduling

• arxiv url: http://arxiv.org/abs/2604.10073v1
• Date: Sat, 11 Apr 2026 07:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.824228
• Title: Graph-RHO: Critical-path-aware Heterogeneous Graph Network for Long-Horizon Flexible Job-Shop Scheduling
• Title（参考訳）: Graph-RHO:長軸フレキシブルジョブショップスケジューリングのためのクリティカルパス対応不均一グラフネットワーク
• Authors: Yujie Li, Jiuniu Wang, Mugen Peng, Guangzuo Li, Wenjia Xu,
• Abstract要約: Graph-RHOは、新しいクリティカルパス対応グラフベースのRHOフレームワークである。 マルチリレーショナルエッジを持つ演算マシングラフとしてサブプロブレムを符号化するトポロジ対応ヘテロジニアスグラフネットワークを提案する。 トレーニング中に誘導バイアスを注入し、高感度なボトルネック操作とロバストな操作を区別するクリティカルパス認識機構を組み込んだ。
• 参考スコア（独自算出の注目度）: 26.97705087364345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon Flexible Job-Shop Scheduling~(FJSP) presents a formidable combinatorial challenge due to complex, interdependent decisions spanning extended time horizons. While learning-based Rolling Horizon Optimization~(RHO) has emerged as a promising paradigm to accelerate solving by identifying and fixing invariant operations, its effectiveness is hindered by the structural complexity of FJSP. Existing methods often fail to capture intricate graph-structured dependencies and ignore the asymmetric costs of prediction errors, in which misclassifying critical-path operations is significantly more detrimental than misclassifying non-critical ones. Furthermore, dynamic shifts in predictive confidence during the rolling process make static pruning thresholds inadequate. To address these limitations, we propose Graph-RHO, a novel critical-path-aware graph-based RHO framework. First, we introduce a topology-aware heterogeneous graph network that encodes subproblems as operation-machine graphs with multi-relational edges, leveraging edge-feature-aware message passing to predict operation stability. Second, we incorporate a critical-path-aware mechanism that injects inductive biases during training to distinguish highly sensitive bottleneck operations from robust ones. Third, we devise an adaptive thresholding strategy that dynamically calibrates decision boundaries based on online uncertainty estimation to align model predictions with the solver's search space. Extensive experiments on standard benchmarks demonstrate that \mbox{Graph-RHO} establishes a new state of the art in solution quality and computational efficiency. Remarkably, it exhibits exceptional zero-shot generalization, reducing solve time by over 30\% on large-scale instances (2000 operations) while achieving superior solution quality. Our code is available \href{https://github.com/IntelliSensing/Graph-RHO}{here}.
• Abstract（参考訳）: Long-Horizon Flexible Job-Shop Scheduling~(FJSP)は、長期の地平線にまたがる複雑な、相互依存的な決定のために、恐ろしい組み合わせの課題を提示します。 学習に基づくローリングホライズン最適化~(RHO)は、不変操作の特定と修正によって解決を加速する有望なパラダイムとして現れてきたが、その効果はFJSPの構造的複雑さによって妨げられている。 既存の手法では、複雑なグラフ構造上の依存関係をキャプチャして予測エラーの非対称コストを無視することが多く、クリティカルパス操作の誤分類は、非クリティカルな操作の誤分類よりもはるかに有害である。 さらに、圧延過程における予測信頼性の動的シフトは、静的プルーニング閾値を不適切にする。 これらの制約に対処するため,新しいクリティカルパス対応グラフベースのRHOフレームワークであるGraph-RHOを提案する。 まず,マルチリレーショナルエッジを持つ操作機械グラフとしてサブプロブレムを符号化したトポロジ対応ヘテロジニアスグラフネットワークを導入し,エッジ機能対応メッセージパッシングを利用して動作安定性を予測する。 第二に、トレーニング中に誘導バイアスを注入するクリティカルパス認識機構を導入し、高い感度のボトルネック操作とロバストな操作を区別する。 第3に、オンライン不確実性推定に基づいて決定境界を動的に校正し、モデル予測と解の探索空間を整合させる適応しきい値決定戦略を考案する。 標準ベンチマークに関する大規模な実験により、 \mbox{Graph-RHO} が解の質と計算効率の新たな最先端を確立することが示されている。 注目すべきは、これは例外的なゼロショットの一般化を示し、解法時間は大規模インスタンス(2000オペレーション)で30%以上削減し、優れた解品質を実現していることである。 私たちのコードは href{https://github.com/IntelliSensing/Graph-RHO}{here} で利用可能です。

関連論文リスト

• HGT-Scheduler: Deep Reinforcement Learning for the Job Shop Scheduling Problem via Heterogeneous Graph Transformers [0.0]
  ジョブショップスケジューリング問題(JSSP)は一般に、ノードが操作を表現し、エッジが技術的優先の制約を符号化し、マシン共有の競合を符号化する解離グラフとして定式化されている。 既存の強化学習アプローチのほとんどは、このグラフを均質で、ジョブプレッデンスとマシンコンテンションエッジを単一の関係タイプとしてモデル化している。 我々は、JSSPを異種グラフとしてモデル化する強化学習フレームワークであるHGT-Schedulerを提案する。
  論文  参考訳（メタデータ） (2026-03-06T17:59:12Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts [60.60414602796664]
  ゼロショットGADのための進化的ルータ特徴生成(EvoFG)を備えた新しいMoEフレームワークを提案する。 EvoFGは最先端のベースラインを一貫して上回り、強力で安定したゼロショットGAD性能を実現している。
  論文  参考訳（メタデータ） (2026-02-12T06:16:51Z)
• Resource-Aware Neural Network Pruning Using Graph-based Reinforcement Learning [0.8890833546984916]
  本稿では,グラフベースの観測空間をAutoMLフレームワークに統合することで,ニューラルネットワークのプルーニングに新たなアプローチを提案する。 本フレームワークは,対象ニューラルネットワークのグラフ表現を導入することにより,刈り込み処理を変換する。 作用空間に対しては、連続プルーニング比から細粒な二分作用空間へ遷移する。
  論文  参考訳（メタデータ） (2025-09-04T15:05:05Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image [21.709368882043897]
  ハイパースペクトル画像(HSI)クラスタリングは、ゼロトレーニングラベルによる基本的だが難しい課題である。 本稿では,HSIのための適応フィルタクラスタリング法(AHSGC)を用いたホモフィリ構造グラフ学習を提案する。 AHSGCには高いクラスタリング精度、低い計算複雑性、強い堅牢性が含まれています。
  論文  参考訳（メタデータ） (2025-01-03T01:54:16Z)
• Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
  ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。 従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。 本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
  論文  参考訳（メタデータ） (2024-11-19T09:16:25Z)
• Symmetry-preserving graph attention network to solve routing problems at multiple resolutions [1.9304772860080408]
  問題解決のために,最初の完全同変モデルとトレーニングを導入する。 入力グラフのマルチスケール構造を捉えることが不可欠である。 本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
  論文  参考訳（メタデータ） (2023-10-24T06:22:20Z)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)

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。