論文の概要: Enhancing Cross-Problem Vehicle Routing via Federated Learning

• arxiv url: http://arxiv.org/abs/2604.10652v1
• Date: Sun, 12 Apr 2026 13:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.152909
• Title: Enhancing Cross-Problem Vehicle Routing via Federated Learning
• Title（参考訳）: フェデレーションラーニングによるクロスプロブレム車両ルーティングの強化
• Authors: Xiangchi Meng, Jianan Zhou, Jie Gao, Yifan Lu, Yaoxin Wu, Gonglin Yuan, Yaqing Hou,
• Abstract要約: 車両ルーティング問題(VRPs)は、現代の物流およびサプライチェーン管理における中核的な最適化課題である。 本稿では,フェデレートラーニング(MPSF-FL)を用いた「マルチプロブレムプレトレイン(Multi-problem Pre-train, then Single-problem Fine-Tune)」フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.83758750752992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle routing problems (VRPs) constitute a core optimization challenge in modern logistics and supply chain management. The recent neural combinatorial optimization (NCO) has demonstrated superior efficiency over some traditional algorithms. While serving as a primary NCO approach for solving general VRPs, current cross-problem learning paradigms are still subject to performance degradation and generalizability decay, when transferring from simple VRP variants to those involving different and complex constraints. To strengthen the paradigms, this paper offers an innovative "Multi-problem Pre-train, then Single-problem Fine-tune" framework with Federated Learning (MPSF-FL). This framework exploits the common knowledge of a federated global model to foster efficient cross-problem knowledge sharing and transfer among local models for single-problem fine-tuning. In this way, local models effectively retain common VRP knowledge from up-to-date global model, while being efficiently adapted to downstream VRPs with heterogeneous complex constraints. Experimental results demonstrate that our framework not only enhances the performance in diverse VRPs, but also improves the generalizability in unseen problems.
• Abstract（参考訳）: 車両ルーティング問題(VRP)は、現代の物流およびサプライチェーン管理における中核的な最適化課題である。 最近のニューラルネットワーク最適化(NCO)は、従来のアルゴリズムよりも優れた効率性を示している。 一般的なVRPを解くための主要なNCOアプローチとして機能する一方で、現在のクロスプロブレム学習パラダイムは、単純なVRPの変種から異なる複雑な制約を含むものに移行する際に、パフォーマンスの低下と一般化可能性の低下を被っている。 このパラダイムを強化するために,フェデレートラーニング(MPSF-FL)を用いた「マルチプロブレム事前学習(Multi-problem Pre-train, then Single-problem Fine-Tune)」フレームワークを提案する。 このフレームワークは、単一プロブレム微調整のためのローカルモデル間の効率的なクロスプロブレム知識共有と転送を促進するために、フェデレートされたグローバルモデルの共通知識を利用する。 このように、局所モデルは、不均一な複雑な制約のある下流のVRPに効率的に適応しつつ、最新のグローバルモデルから共通のVRP知識を効果的に保持する。 実験により,本フレームワークは多様なVRPの性能を向上させるだけでなく,目に見えない問題における一般化性も向上することが示された。

関連論文リスト

• Vehicle-as-Prompt: A Unified Deep Reinforcement Learning Framework for Heterogeneous Fleet Vehicle Routing Problem [12.469727665338603]
  不均一艦隊車両ルーティング問題 (HFVRP) には、異種固定コスト、可変走行コスト、容量制約が含まれる。 我々は,様々な異なる設定で問題を解くことができる,統合された深層強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-04-06T21:48:52Z)
• Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
  車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。 本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。 このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-04-08T15:21:01Z)
• TuneNSearch: a hybrid transfer learning and local search approach for solving vehicle routing problems [44.035549471545586]
  TuneNSearchは、多種多様な車両ルーティング問題(VRP)に対処するためのハイブリッドトランスファー学習と局所探索アプローチである。 提案手法は,効率的な局所探索法により改良された高品質な解を生成するために強化学習を用いる。
  論文  参考訳（メタデータ） (2025-03-16T21:34:11Z)
• Learning Reward and Policy Jointly from Demonstration and Preference Improves Alignment [58.049113055986375]
  我々は、報酬モデルとポリシーをトレーニングするために、AIHF(Alignment with Integrated Human Feedback)と呼ばれる単一ステージアプローチを開発する。 提案した手法は、一般的なアライメントアルゴリズムに容易に還元し、活用できる、効率的なアルゴリズムの集合を認めている。 本研究では,LLMにおけるアライメント問題と,MuJoCoにおけるロボット制御問題を含む広範な実験により,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-06-11T01:20:53Z)
• An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem [67.92544792239086]
  我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。 まず,方向対応型注意モデル(DaAM)を提案する。 第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
  論文  参考訳（メタデータ） (2024-03-11T02:17:42Z)
• Multi-Task Learning for Routing Problem with Cross-Problem Zero-Shot Generalization [18.298695520665348]
  車両ルーティング問題(VRP)は多くの現実世界のアプリケーションで見られる。 本研究では,クロスプロブレム一般化という重要な課題に取り組むための最初の試みを行う。 提案モデルでは、ゼロショットの一般化方式で、見当たらない属性の組み合わせでVRPを解くことができる。
  論文  参考訳（メタデータ） (2024-02-23T13:25:23Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。