論文の概要: Rethinking Constraint Awareness for Efficient State Embedding of Neural Routing Solver
- arxiv url: http://arxiv.org/abs/2605.10122v1
- Date: Mon, 11 May 2026 07:37:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.607413
- Title: Rethinking Constraint Awareness for Efficient State Embedding of Neural Routing Solver
- Title（参考訳）: ニューラルルーティングソルバの効率的な状態埋め込みに対する制約意識の再考
- Authors: Canhong Yu, Changliang Zhou, Rongsheng Chen, Zhenkun Wang, Yu Zhou,
- Abstract要約: 重エンコーダ・ライト・デコーダ(HELD)ニューラルルーティング解決器は、複数の車両ルーティング問題(VRP)にまたがる広範な適用性のために、将来性のあるパラダイムとして登場した。
本稿では,デコード中の状態埋め込み生成機構の観点から,既存のニューラルソルバを体系的に再検討する。
本稿では,グローバルな観測空間に固有の制約非依存の欠点を克服するために,シンプルながら強力な制約対応残留変調(CARM)モジュールを提案する。
- 参考スコア（独自算出の注目度）: 7.443183763565358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heavy-Encoder-Light-Decoder (HELD) neural routing solvers have emerged as a promising paradigm due to their broad applicability across multiple vehicle routing problems (VRPs). However, they typically struggle with VRP variants with complex constraints. To address this limitation, this paper systematically revisits existing neural solvers from the perspective of the generation mechanism for state embeddings (i.e., query vector prior to compatibility calculation) during decoding. We identify that current mechanisms restrict the observation space during attention computation, introducing a key bottleneck to achieving high-quality solutions. Through detailed empirical analysis, we demonstrate the necessity of preserving a global observation space. To overcome the constraint-agnostic drawback inherent to global observation spaces, we propose a simple yet powerful Constraint-Aware Residual Modulation (CARM) module. By adaptively modulating the context embedding with constraint-relevant variables, CARM effectively enhances constraint awareness, enabling the neural solver to fully leverage the global observation space and generate an efficient state embedding. Extensive experimental results across two single-task and five multi-task neural routing solvers confirm that the CARM module consistently boosts baseline performance. Notably, solvers equipped with our CARM achieve substantial improvements in scaling to large-scale instances and in generalizing to unseen VRP variants. These findings provide valuable insights for the architectural design of neural routing solvers.
- Abstract（参考訳）: ヘビーエンコーダ・ライト・デコーダ(HELD)ニューラルルーティング解決器は、複数の車両ルーティング問題(VRP)にまたがる広範な適用性のために、将来的なパラダイムとして登場した。
しかし、それらは通常、複雑な制約でVRPの派生品と戦っている。
この制限に対処するため,本論文では,デコード中の状態埋め込み(すなわち,互換性計算に先立つクエリベクトル)の生成機構の観点から,既存のニューラルソルバを体系的に再検討する。
我々は,現在のメカニズムが注意計算における観測空間を制限することを確認し,高品質なソリューションの実現に重要なボトルネックを導入する。
詳細な実証分析を通じて,地球観測空間の保存の必要性を実証する。
グローバルな観測空間に固有の制約非依存の欠点を克服するため,CARMモジュールを提案する。
CARMは、制約関連変数によるコンテキスト埋め込みを適応的に調整することにより、制約認識を効果的に強化し、ニューラルソルバがグローバルな観測空間を完全に活用し、効率的な状態埋め込みを生成する。
2つのシングルタスクと5つのマルチタスクニューラルルーティング解決器の広範な実験結果から、CARMモジュールが一貫してベースライン性能を向上させることが確認された。
特に、我々のCARMを搭載したソルバは、大規模インスタンスへのスケーリングの大幅な改善と、見えないVRPの亜種への一般化を実現している。
これらの知見はニューラル・ルーティング・ソルバのアーキテクチャ設計に有意義な洞察を与える。
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) - Constraints Matrix Diffusion based Generative Neural Solver for Vehicle Routing Problems [16.541111954252397]
本稿では、離散ノイズグラフ拡散モデルを用いて車両ルーティング問題の根底にある制約を学習する新しい融合ニューラルネットワークフレームワークを提案する。
この研究は、378の組合せ空間にわたるニューラルネットワークモデルの解法に関する、初めての総合的な実験的研究である。
論文 参考訳（メタデータ） (2026-03-08T10:03:34Z) - Multi-Agent DRL for V2X Resource Allocation: Disentangling Challenges and Benchmarking Solutions [51.22818149833102]
マルチエージェント強化学習(MARL)は、車間通信(C-V2X)ネットワークにおける無線リソース割り当ての有望なアプローチとして登場した。
しかし、MARLに固有の多面的課題はしばしば絡み合っており、車載環境における個々の影響を理解することは困難である。
我々は, C-V2X RRA を, 複雑さが徐々に増大する多エージェント干渉ゲーム列として定式化し, このギャップを埋める。
論文 参考訳（メタデータ） (2026-02-18T14:46:56Z) - Towards Constraint-Based Adaptive Hypergraph Learning for Solving Vehicle Routing: An End-to-End Solution [4.965709007367529]
車両の経路問題は、広大な解空間と複雑な制約によって特徴づけられる。
本研究では,制約指向のハイパーグラフと強化学習を組み合わせた新しいエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-13T14:42:44Z) - CaDA: Cross-Problem Routing Solver with Constraint-Aware Dual-Attention [21.554370739508528]
本稿では,車両経路問題に対する制約対応デュアルアテンションモデル(CaDA)を提案する。
CaDAは、異なる問題変種を効率的に表現する制約プロンプトを組み込んでいる。
より広範なグラフ情報を取得するためのグローバルブランチを備えたデュアルアテンション機構を備えている。
論文 参考訳（メタデータ） (2024-11-30T04:11:36Z) - 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) - Instance-Conditioned Adaptation for Large-scale Generalization of Neural Routing Solver [15.842155380912002]
本稿では,ニューラル・ルーティング・ソルバの大規模一般化のための新しいインスタンス・コンディション・アダプタ・モデルを提案する。
提案手法は,非常に高速な推論時間で有望な結果が得られることを示す。
論文 参考訳（メタデータ） (2024-05-03T08:00:19Z) - Interpreting and Improving Attention From the Perspective of Large Kernel Convolution [51.06461246235176]
本稿では,LKCA(Large Kernel Convolutional Attention)について紹介する。
LKCAは、特にデータ制約のある設定において、様々な視覚的タスク間での競合性能を達成する。
論文 参考訳（メタデータ） (2024-01-11T08:40:35Z) - Low-Resolution Self-Attention for Semantic Segmentation [93.30597515880079]
我々は,グローバルコンテキストを計算コストの大幅な削減で捉えるために,低解像度自己認識(LRSA)機構を導入する。
我々のアプローチは、入力画像の解像度に関わらず、固定された低解像度空間における自己注意を計算することである。
本稿では,エンコーダ・デコーダ構造を持つビジョントランスであるLRFormerを構築することで,LRSA手法の有効性を示す。
論文 参考訳（メタデータ） (2023-10-08T06:10:09Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-08T04:09:13Z)
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。