論文の概要: FiLMMeD: Feature-wise Linear Modulation for Cross-Problem Multi-Depot Vehicle Routing

• arxiv url: http://arxiv.org/abs/2604.28102v1
• Date: Thu, 30 Apr 2026 16:48:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.205881
• Title: FiLMMeD: Feature-wise Linear Modulation for Cross-Problem Multi-Depot Vehicle Routing
• Title（参考訳）: FiLMMeD:クロスプロブレム多目的車両ルーティングのための特徴量線形変調
• Authors: Arthur Corrêa, Paulo Nascimento, Samuel Moniz,
• Abstract要約: 24種類のMDVRP変異体に対する新しい統合型ニューラルベースモデルを提案する。 FiLMMeDは、最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving practical multi-depot vehicle routing problems (MDVRP) is a challenging optimization task central to modern logistics, increasingly driven by e-commerce. To address the MDVRP's computational complexity, neural-based combinatorial optimization methods offer a promising scalable alternative to traditional approaches. However, neural-based methods typically rely on rigid architectures and input encodings tailored to specific problem formulations. In real-world settings, heterogeneous constraints create multiple MDVRP variants, limiting the applicability of such models. While multi-task learning (MTL) has begun to accelerate the development of unified neural-based solvers, prior works focus almost exclusively on single-depot VRPs, leaving the MDVRP unaddressed. To bridge this gap, we propose Feature-wise Linear Modulation for Cross-Problem Multi-Depot Vehicle Routing (FiLMMeD), a novel unified neural-based model for 24 different MDVRP variants. We introduce three main contributions: (1) to improve the model's generalization, we augment the standard Transformer encoder with Feature-wise Linear Modulation (FiLM), which dynamically conditions learned internal representations based on the active set of constraints; (2) we provide an initial demonstration of Preference Optimization in the MTL setting, establishing it as a superior alternative to Reinforcement Learning for future MTL works; (3) to mitigate the generalization gap caused by the introduction of multi-depot constraints, we introduce a targeted curriculum learning strategy that progressively exposes the model to increasingly more complex constraint interactions. Extensive experiments on 24 MDVRP variants (including 8 novel formulations) and 16 single-depot VRPs confirm the effectiveness of FiLMMeD, which consistently outperforms state-of-the-art baselines. Our code is available at: https://github.com/AJ-Correa/FiLMMeD/tree/main
• Abstract（参考訳）: 実用的多目的車両ルーティング問題(MDVRP)の解決は、電子商取引によってますます推進される現代の物流の中心となる、困難な最適化課題である。 MDVRPの計算複雑性に対処するため、ニューラルベース組合せ最適化手法は従来のアプローチに代わる有望なスケーラブルな代替手段を提供する。 しかし、ニューラルネットワークの手法は通常、特定の問題定式化に合わせた厳密なアーキテクチャと入力エンコーディングに依存している。 実世界の環境では、不均一な制約が複数のMDVRP変種を生成し、そのようなモデルの適用性を制限する。 マルチタスク学習(MTL)は、統合されたニューラルベース解決器の開発を加速し始めているが、以前の研究は、MDVRPをそのままにして、ほとんど単発のVRPにのみ焦点をあてていた。 このギャップを埋めるために、24種類のMDVRP変異体のための新しい統合ニューラルベースモデルであるクロスプロブレム多目的車両ルーティング(FiLMMeD)のための特徴量線形変調を提案する。 我々は,モデルの一般化を改善するために,制約のアクティブセットに基づいて内部表現を動的に学習する標準トランスフォーマー・エンコーダ(FiLM)の強化,MTL設定における参照最適化の初歩的な実証,将来のMTL作業の強化学習の優れた代替として確立すること,マルチデポット制約の導入による一般化ギャップを軽減すること,さらに,より複雑な制約相互作用にモデルを徐々に露出させるターゲット学習戦略を導入すること,の3つの主な貢献を紹介する。 24種類のMDVRP(新しい8つの定式化を含む)と16個のシングルデポVRPの広範囲な実験により、常に最先端のベースラインを上回るFiLMMeDの有効性が確認された。 私たちのコードは、https://github.com/AJ-Correa/FiLMMeD/tree/mainで利用可能です。

関連論文リスト

• NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
  NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。 NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。 さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
  論文  参考訳（メタデータ） (2025-10-15T16:25:18Z)
• FMIP: Joint Continuous-Integer Flow For Mixed-Integer Linear Programming [52.52020895303244]
  Mixed-Integer Linear Programming (MILP)は、複雑な意思決定問題の基本的なツールである。 混合整数線形計画法(FMIP)のための連立連続整数フローを提案する。これはMILPソリューションにおける整数変数と連続変数の共分散をモデル化する最初の生成フレームワークである。 FMIPは任意のバックボーンネットワークや様々なダウンストリームソルバと完全に互換性があり、現実世界のMILPアプリケーションにも適している。
  論文  参考訳（メタデータ） (2025-07-31T10:03:30Z)
• MTL-KD: Multi-Task Learning Via Knowledge Distillation for Generalizable Neural Vehicle Routing Solver [20.386780842875442]
  本研究は知識蒸留(MTL-KD)による新しいマルチタスク学習手法を提案する。 提案手法は,複数の異なるRLベースの単一タスクモデルから単一重デコーダモデルへのポリシー知識の転送,ラベルなしトレーニング,多種多様なタスクにおけるモデルの一般化能力の向上を効果的に行う。 最大1000ノードのVRP変異体6種と10種のVRP変異体に対する実験結果から,提案手法が一様および実世界のベンチマークにおいて常に優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-06-03T14:35:36Z)
• Leveraging Importance Sampling to Detach Alignment Modules from Large Language Models [48.15777554876988]
  伝統的なアライメント手法では、しばしば大きな事前訓練されたモデルを再訓練する必要がある。 本稿では,アライメント処理を重要サンプリングの一種として形式化する新しいtextitResidual Alignment Model (textitRAM) を提案する。 本稿では,トークンレベルの復号化を反復的に行う再サンプリングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-05-26T08:53:02Z)
• RouteFinder: Towards Foundation Models for Vehicle Routing Problems [27.26422420262305]
  RouteFinderは、異なる車両ルーティング問題(VRP)に対処するためのフレームワークである。 我々の中核的な考え方は、VRPの基盤モデルは、異なる属性を備えた一般化問題のサブセットとして、それぞれを扱い、変分を表現することができるべきである、ということである。
  論文  参考訳（メタデータ） (2024-06-21T09:34:26Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• 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。