論文の概要: Learning to Solve Compositional Geometry Routing Problems

• arxiv url: http://arxiv.org/abs/2605.18094v1
• Date: Mon, 18 May 2026 09:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.214761
• Title: Learning to Solve Compositional Geometry Routing Problems
• Title（参考訳）: 構成幾何学的ルーティング問題の解法
• Authors: Mingfeng Fan, Jianan Zhou, Jiaqi Cheng, Yifeng Zhang, Jie Zhang, Guillaume Adrien Sartoretti,
• Abstract要約: DiConは、構成幾何学ルーティング問題に取り組むプラグイン・アンド・プレイフレームワークである。 我々は、競争力の低い候補行動の確率質量を積極的に抑制する差分注意機構を導入する。 我々は、グローバルなインスタンス表現の堅牢化を促進するために、二重レベルのコントラスト学習目標を設計する。
• 参考スコア（独自算出の注目度）: 10.585067212969987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the Compositional Geometry Routing Problem (CGRP), a unified superclass of traditional routing problems that covers point-only, line-only, area-only, and arbitrary hybrid task geometries, providing a broad abstraction for real-world routing scenarios. Beyond standard point-based routing, CGRP with non-point tasks can be inherently asymmetric, tightly coupled travel routes with the intrinsic path, and enlarges the action space with numerous feasible yet often irrelevant options, thereby posing significant challenges for both representation learning and decision-making. To address these challenges, we propose DiCon, a differential attention-assisted solver with contrastive learning, as a plug-and-play framework that tackles the problem from two complementary angles. First, we introduce a differential attention mechanism that actively suppresses the probability mass on less competitive candidate actions. Second, we design a double-level contrastive learning objective to promote robust global instance representations and regularize geometry-aware task representations. Extensive experiments demonstrate that DiCon achieves strong performance, broad versatility, and superior generalization across diverse CGRP instances with different compositions.
• Abstract（参考訳）: 本研究では,従来のルーティング問題の一貫したスーパークラスであるコンポジション幾何学ルーティング問題 (CGRP) について検討し,実世界のルーティングシナリオの広範な抽象化を提供する。 標準的なポイントベースのルーティング以外にも、非ポイントタスクを持つCGRPは本質的に非対称で、本質的な経路と密結合な旅行経路を持ち、多くの可能なオプションでアクション空間を拡張できるため、表現学習と意思決定の両方において大きな課題が生じる。 これらの課題に対処するために,2つの相補的な角度から問題に取り組むプラグイン・アンド・プレイ・フレームワークとして,差分注意支援型コントラスト学習の解法であるDiConを提案する。 まず、競争力の低い候補行動の確率質量を積極的に抑制する差分注意機構を導入する。 第2に、ロバストなグローバルなインスタンス表現を促進し、幾何学的タスク表現を正規化するための2段階のコントラスト学習目標を設計する。 大規模な実験により、DiConは様々な構成を持つ多様なCGRPインスタンスにまたがる強力な性能、幅広い汎用性、優れた一般化を実現することが示された。

関連論文リスト

• Ego to World: Collaborative Spatial Reasoning in Embodied Systems via Reinforcement Learning [61.753025885751036]
  本稿では,3つのタスクにまたがる異種視点を融合する視覚言語モデルの能力を評価するEgo-to-Worldベンチマークを提案する。 我々は,2段階のフレームワークであるCoRLを提案し,チェイン・オブ・ソート(Chain-of-Thought)を教師付き微調整と強化学習を組み合わせた。 我々は、CoRLが、推論と知覚グラウンドのメトリクスの両方において、強力なプロプライエタリおよびオープンソースベースラインを一貫して超越していることを示します。
  論文  参考訳（メタデータ） (2026-03-16T04:27:53Z)
• 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)
• Dynamic Contrastive Learning for Hierarchical Retrieval: A Case Study of Distance-Aware Cross-View Geo-Localization [20.868592923432843]
  既存のディープラーニングを用いたクロスビュージオローカライズ手法は主に、クロスドメイン画像マッチングの精度向上に重点を置いている。 特徴表現を階層的空間的マージンに応じて段階的に整列させる新しいフレームワークである動的コントラスト学習(DyCL)を提案する。
  論文  参考訳（メタデータ） (2025-06-29T03:57:01Z)
• Reframing Dense Action Detection (RefDense): A Paradigm Shift in Problem Solving & a Novel Optimization Strategy [23.100602876056165]
  時間的重複とクラスオーバーラップという2つの課題に対処するには複雑すぎると我々は主張する。 本稿では, 密接な曖昧な部分概念を検出するために, 密接なあいまいな動作を検出するタスクを分解することを提案する。 我々の実験は、最先端手法に対するアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2025-01-30T17:20:42Z)
• A GREAT Architecture for Edge-Based Graph Problems Like TSP [10.48061333321108]
  グラフエッジ注意ネットワーク(GREAT)と呼ばれる新しいGNNベースのエッジ指向ニューラルモデルを提案する。 GREATをエンコーダとして使用して、ルーティング問題インスタンスのプロパティをキャプチャし、強化学習フレームワークを構築する。 我々のフレームワークは、これらの問題の非ユークリッド変種と学習ベースのベンチマーク間の競合結果に最初に取り組みました。
  論文  参考訳（メタデータ） (2024-08-29T17:07:43Z)
• 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)
• Towards Deeply Unified Depth-aware Panoptic Segmentation with Bi-directional Guidance Learning [63.63516124646916]
  深度認識型パノプティックセグメンテーションのためのフレームワークを提案する。 本稿では,クロスタスク機能学習を容易にする双方向指導学習手法を提案する。 本手法は,Cityscapes-DVPS と SemKITTI-DVPS の両データセットを用いた深度認識型パノプティックセグメンテーションのための新しい手法である。
  論文  参考訳（メタデータ） (2023-07-27T11:28:33Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Few-shot Partial Multi-view Learning [103.33865779721458]
  本稿では,複数ショット部分的多視点学習という新しい課題を提案する。 それは、低データ体制におけるビューミス問題によるネガティブな影響を克服することに焦点を当てている。 提案手法を評価するため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-05-05T13:34:43Z)

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。