論文の概要: Two-Stage Learned Decomposition for Scalable Routing on Multigraphs

• arxiv url: http://arxiv.org/abs/2605.05389v1
• Date: Wed, 06 May 2026 19:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.39144
• Title: Two-Stage Learned Decomposition for Scalable Routing on Multigraphs
• Title（参考訳）: マルチグラフ上でのスケーラブルなルーティングのための2段階学習型分解
• Authors: Filip Rydin, Morteza Haghir Chehreghani, Balázs Kulcsár,
• Abstract要約: 並列エッジは、異なるトレードオフを持つ異なる旅行オプションを表すマルチグラフを考える。 ルーティングポリシをノード置換ステージとエッジ選択ステージに分割するノードエッジポリシーファクトリゼーション(NEPF)アプローチを用いる。 筆者らは6つのVRP変種に対する実験を行い、NEPFがソリューションの品質の面で最先端に適合しているか、あるいは性能を上回っていることを示した。
• 参考スコア（独自算出の注目度）: 10.10513248720328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most neural methods for Vehicle Routing Problems (VRPs) are limited to Euclidean settings or simple graphs. In this work, we instead consider multigraphs, where parallel edges represent distinct travel options with varying trade-offs (e.g., distance vs time). Few methods are designed for such formulations and those that do exist face major scalability issues. We mitigate these scalability issues via a Node-Edge Policy Factorization (NEPF) approach, which splits the routing policy into a node permutation stage and an edge selection stage. To enable the decomposition, we introduce a pre-encoding edge aggregation scheme and a non-autoregressive architecture for the edge stage, as well as a hierarchical reinforcement learning method to train the stages jointly. Our experiments across six VRP variants demonstrate that NEPF matches or outperforms the state-of-the-art in terms of solution quality, while being significantly faster in training and inference.
• Abstract（参考訳）: 車両ルーティング問題(VRP)のほとんどのニューラルネットワークはユークリッドの設定や単純なグラフに限られている。 この研究では、異なるトレードオフ(例えば、距離対時間)を持つ異なる旅行オプションを並列エッジで表現するマルチグラフについて検討する。 このような定式化のために設計されているメソッドはほとんどなく、既存のメソッドは大きなスケーラビリティの問題に直面している。 ルーティングポリシをノード置換ステージとエッジ選択ステージに分割するノードエッジポリシーファクトリゼーション(NEPF)アプローチにより,これらのスケーラビリティ問題を緩和する。 この分解を可能にするために、エッジステージのための事前符号化エッジアグリゲーションスキームと非自己回帰アーキテクチャ、およびステージを共同で訓練するための階層的強化学習手法を導入する。 6つのVRP変異体に対する実験により、NEPFは、トレーニングや推論においてはるかに高速でありながら、ソリューションの品質の観点から最先端の手法と一致または性能を向上することが示された。

関連論文リスト

• A Unified Framework for Lifted Training and Inversion Approaches [42.951318906669506]
  この章では、さまざまな持ち上げトレーニング戦略をカプセル化した統合フレームワークを紹介します。 本稿では,ブロックコーディネート降下戦略を用いて,これらの手法の実装について論じる。 標準撮像タスクの数値計算結果から,昇降ブレグマン法の有効性と安定性が検証された。
  論文  参考訳（メタデータ） (2025-10-10T19:00:34Z)
• Neural Network Training via Stochastic Alternating Minimization with Trainable Step Sizes [3.246129789918632]
  ディープニューラルネットワークのトレーニングは本質的に非最適化問題である。 勾配降下(SGD)のような標準的なアプローチでは、パラメータを同時に更新する必要がある。 そこで本研究では,SAMTを用いた列車最小化手法を提案する。 SAMTは、最先端のメソッドに比べて、パラメータ更新が少なく、パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2025-08-06T08:23:38Z)
• GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
  車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。 提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-05-21T03:33:07Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• 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)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Crowd Counting via Perspective-Guided Fractional-Dilation Convolution [75.36662947203192]
  本稿では,PFDNetと呼ばれる新しい畳み込みニューラルネットワークを用いた群集カウント手法を提案する。 連続スケールの変動をモデル化することにより、提案したPFDNetは、異なる空間位置に対応するための適切な分数拡張カーネルを選択することができる。 これは、個々の代表スケールのみを考慮した最先端技術の柔軟性を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-08T07:57:00Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)

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。