論文の概要: Scalable Production Scheduling: Linear Complexity via Unified Homogeneous Graphs

• arxiv url: http://arxiv.org/abs/2604.23841v1
• Date: Sun, 26 Apr 2026 19:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.589175
• Title: Scalable Production Scheduling: Linear Complexity via Unified Homogeneous Graphs
• Title（参考訳）: スケーラブル生産スケジューリング:統一均一グラフによる線形複雑度
• Authors: Jonathan Hoss, Moritz Link, Noah Klarmann,
• Abstract要約: 特徴に基づくホモジェナイゼーションを利用して、異なるノードロールを共有潜在空間に投影する統合グラフフレームワークを導入する。 これにより、標準的な同次グラフ同型ネットワークは、線形複雑度で複雑なリソース競合を捉えることができる。 我々は,一貫したゼロショットの一般化を図りながら,最先端の性能を実現していることを示す。
• 参考スコア（独自算出の注目度）: 0.1274452325287335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficiently solving the Job Shop Scheduling Problem in real-world industrial applications requires policies that are both computationally lean and topologically robust. While Reinforcement Learning has shown potential in automating dispatching rules, existing models often struggle with a scalability bottleneck caused by quadratic graph complexity or the architectural overhead of heterogeneous layers. We introduce a unified graph framework that employs feature-based homogenization to project distinct node roles into a shared latent space. This allows a standard homogeneous Graph Isomorphism Network to capture complex resource contention with linear complexity, ensuring low-latency inference for large-scale industrial applications. Our empirical results demonstrate that our framework achieves state-of-the-art performance while exhibiting consistent zero-shot generalization. We identify the job-to-machine ratio as the primary driver of policy effectiveness, rather than absolute problem size. Based on this, we propose a hypothesis of structural saturation, demonstrating that policies trained on critically congested instances ($\mathcal{J} \approx \mathcal{M}$) learn scale-invariant resolution strategies. Agents trained at this saturation point internalize invariant conflict-resolution logic, allowing them to treat massive rectangular instances as a sequential concatenation of saturated sub-problems. This approach eliminates the need for expensive scale-specific retraining and prevents overfitting to statistical shortcuts, providing a robust and efficient pathway for deploying RL solutions in dynamic production environments.
• Abstract（参考訳）: 現実の産業アプリケーションにおけるジョブショップスケジューリングの効率的な解決には、計算的にリーンで、トポロジ的に堅牢なポリシーが必要である。 強化学習(Reinforcement Learning)は、ディスパッチルールを自動化する可能性を示しているが、既存のモデルは、2次グラフの複雑さや異種層のアーキテクチャ上のオーバーヘッドに起因するスケーラビリティのボトルネックに悩まされることが多い。 特徴に基づくホモジェナイゼーションを利用して、異なるノードロールを共有潜在空間に投影する統合グラフフレームワークを導入する。 これにより、標準的な同種グラフ同型ネットワークは、線形複雑で複雑なリソース競合を捕捉し、大規模産業アプリケーションに対する低遅延推論を保証できる。 実験により,本フレームワークは,一貫したゼロショットの一般化を示しながら,最先端の性能を実現することを示す。 我々は、絶対的な問題のサイズではなく、政策の有効性の第一の要因として、仕事と機械の比率を定めている。 これに基づいて、構造飽和の仮説を提案し、臨界に混雑したインスタンス(\mathcal{J} \approx \mathcal{M}$)で訓練されたポリシーがスケール不変の解決戦略を学習することを示した。 この飽和点で訓練されたエージェントは、不変のコンフリクト分解論理を内部化し、飽和サブプロブレムの逐次連結として巨大な矩形インスタンスを扱えるようにした。 このアプローチは、高価なスケール固有のリトレーニングの必要性を排除し、統計的ショートカットへの過度な適合を防止し、動的生産環境にRLソリューションをデプロイするための堅牢で効率的な経路を提供する。

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)
• Certifiable Estimation with Factor Graphs [11.391420452904166]
  因子グラフ構造はShorの緩和とBurer-Monteiro因子化の下で保存されることを示す。 これらの変換を関連する因子グラフ表現付きQCQPに適用すると、同じ接続性を持つ因子グラフモデルを認める昇降問題が得られる。
  論文  参考訳（メタデータ） (2026-03-01T20:50:51Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
  シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-10-02T15:15:50Z)
• Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
  高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。 マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Distributed Multi-Agent Reinforcement Learning Based on Graph-Induced Local Value Functions [7.6860514640178]
  協調型マルチエージェント強化学習(MARL)のための計算効率の良い分散フレームワークを提案する。 MARLにおける3種類のエージェント間カップリングを記述した3つのカップリンググラフを導入する。 結合グラフから導出した局所値関数に基づく2つの分散RL手法を提案する。
  論文  参考訳（メタデータ） (2022-02-26T03:01:51Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。