論文の概要: Instance-Aware Parameter Configuration in Bilevel Late Acceptance Hill Climbing for the Electric Capacitated Vehicle Routing Problem

• arxiv url: http://arxiv.org/abs/2605.00572v1
• Date: Fri, 01 May 2026 11:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.933372
• Title: Instance-Aware Parameter Configuration in Bilevel Late Acceptance Hill Climbing for the Electric Capacitated Vehicle Routing Problem
• Title（参考訳）: 静電容量化車両走行問題に対する二段遅れアクセプタンスヒルクライミングの事例対応パラメータ構成
• Authors: Yinghao Qin, Xinwei Wang, Mosab Bazargani, Jun Chen,
• Abstract要約: 本稿では, 静電容量化車両ルーティング問題に対するインスタンス認識パラメータ構成について検討する。 オフラインチューニング手順を使用して、インスタンス固有のパラメータラベルを取得し、インスタンス機能からマップされる。 回帰モデルは、実行前に見つからないインスタンスのパラメータ予測を可能にするために使用される。
• 参考スコア（独自算出の注目度）: 6.4183829169489535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithm performance in combinatorial optimization is highly sensitive to parameter settings, while a single globally tuned configuration often fails to exploit the heterogeneity of instances. This limitation is particularly evident in the Electric Capacitated Vehicle Routing Problem, where instances differ in structure, demand patterns, and energy constraints. This paper investigates instance-aware parameter configuration for Bilevel Late Acceptance Hill Climbing, a state-of-the-art metaheuristic for the Electric Capacitated Vehicle Routing Problem. An offline tuning procedure is used to obtain instance-specific parameter labels, which are then mapped from instance features via a regression model to enable parameter prediction for unseen instances prior to execution. Experimental results on the IEEE WCCI 2020 benchmark and its extensions show that the proposed approach achieves an average objective value reduction of $0.28\%$ across eight held-out test instances relative to a globally tuned configuration. This corresponds to a significant cost reduction in multimillion-dollar transportation operations.
• Abstract（参考訳）: 組合せ最適化のアルゴリズム性能はパラメータ設定に非常に敏感であるが、グローバルに調整された単一の構成ではインスタンスの不均一性を利用することができないことが多い。 この制限は、インスタンスが構造、需要パターン、エネルギー制約が異なる電気容量車両ルーティング問題において特に顕著である。 本稿では、静電容量化車両ルーティング問題に対する最先端メタヒューリスティックである2レベル遅延アクセプタンスヒルクライミングのインスタンス認識パラメータ構成について検討する。 オフラインチューニング手順を使用して、インスタンス固有のパラメータラベルを取得し、レグレッションモデルを介してインスタンス機能からマッピングされ、実行前に未確認のインスタンスのパラメータ予測を可能にする。 IEEE WCCI 2020ベンチマークとその拡張に関する実験結果から,提案手法は,世界規模で調整された構成に対して,8つのホールトアウトテストインスタンスに対して平均目標値の0.28\%の削減を実現していることがわかった。 これは、数百万ドル規模の輸送事業の大幅なコスト削減に相当する。

関連論文リスト

• AutoScout: Structured Optimization for Automating ML System Configuration [12.657466158068972]
  AutoScoutは機械学習トレーニング、微調整、推論のための汎用システムである。 ハイインパクトな設定を優先し、様々な忠実度を持つシミュレータをアンサンブルする。 高性能な設定を一貫して定義し、専門家が調整した設定よりも2.7-3.0$timesのトレーニングスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-03-12T06:56:12Z)
• Provably Data-driven Multiple Hyper-parameter Tuning with Structured Loss Function [16.202112411377893]
  データ駆動設定において多次元ハイパーパラメータをチューニングするための一般化保証を確立するための最初の一般的なフレームワークを確立する。 提案手法は,ツールを実代数幾何学から活用することにより,半代数関数クラスに対する一般化保証フレームワークを強化する。
  論文  参考訳（メタデータ） (2026-02-02T18:04:13Z)
• Relation-Aware Bayesian Optimization of DBMS Configurations Guided by Affinity Scores [2.474203056060563]
  データベース管理システム(DBMS)は,大規模および異種データの管理に基本的であり,その性能は構成パラメータの影響を強く受けている。 近年の研究では、機械学習を用いた自動構成最適化に焦点が当てられているが、既存のアプローチにはいくつかの重要な制限がある。 パラメータ依存をグラフとして表現する新しいフレームワークであるRelTuneを提案し,パフォーマンス関連セマンティクスを符号化したGNNベースの潜伏埋め込みを学習する。
  論文  参考訳（メタデータ） (2025-10-31T03:46:42Z)
• Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
  環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。 そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。 特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-06-30T17:14:12Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Universality and Limitations of Prompt Tuning [65.8354898840308]
  トランスフォーマーアーキテクチャにおけるソフトプロンプトチューニングの役割を理解するための最初のステップの1つを取り上げる。 連続値関数に対する有限深度事前学習型変圧器を用いて、普遍性と制限のレンズからの即時チューニングを解析する。 この結果は、リプシッツ関数の集合における任意の列列列関数を近似するプロンプトを持つ強変換器の存在を保証する。
  論文  参考訳（メタデータ） (2023-05-30T06:47:07Z)
• Parameter-efficient Tuning of Large-scale Multimodal Foundation Model [68.24510810095802]
  我々はこれらの課題を克服するために、クロスモーダル転送(Aurora)のための優雅なプロンプトフレームワークを提案する。 既存のアーキテクチャの冗長性を考慮すると、まずモード近似を用いて0.1Mのトレーニング可能なパラメータを生成し、マルチモーダルプロンプトチューニングを実装する。 6つのクロスモーダルベンチマークの徹底的な評価は、最先端のベンチマークを上回るだけでなく、完全な微調整アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-15T06:40:56Z)
• Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
  私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。 ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
  論文  参考訳（メタデータ） (2023-03-15T12:34:24Z)
• Hyperboost: Hyperparameter Optimization by Gradient Boosting surrogate models [0.4079265319364249]
  現在の最先端の方法は、ランダムフォレストまたはガウスプロセスを利用してサーロゲートモデルを構築しています。 勾配向上に基づく新しいサロゲートモデルを提案する。 実験により,新しい手法は,ある程度の分類問題に対して,最先端技術より優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-06T22:07:19Z)

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。