論文の概要: WeCon: An Efficient Weight-Conditioned Neural Solver for Multi-Objective Combinatorial Optimization Problems

• arxiv url: http://arxiv.org/abs/2605.22876v1
• Date: Wed, 20 May 2026 05:09:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.015848
• Title: WeCon: An Efficient Weight-Conditioned Neural Solver for Multi-Objective Combinatorial Optimization Problems
• Title（参考訳）: WeCon:多目的組合せ最適化問題に対する効率的な重み付きニューラルソルバー
• Authors: Xuan Wu, Jinbiao Chen, Yang Li, Lijie Wen, Chunguo Wu, Yuanshu Li, Yubin Xiao, Chunyan Miao, You Zhou, Di Wang,
• Abstract要約: 多目的組合せ最適化問題 (MOCOPs) のための効率的な重み付きニューラルソルバ (WeCon) を提案する。 本稿では,デコーダにResidual Fusion(RF)ブロックを導入し,重み付き信号の希釈を緩和する。 異なる問題スケールと分布パターンにまたがる4つのMOCOP変種の実験により、WeConはSOTAソルバPOCCO-Wに匹敵するHyperVolume(HV)値を達成することを示した。
• 参考スコア（独自算出の注目度）: 39.91524023083341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing neural solvers for Multi-Objective Combinatorial Optimization Problems (MOCOPs) commonly adopt decomposition-based strategies that scalarize an MOCOP into multiple subproblems associated with distinct weight vectors. However, they either inject weights only once during decoding, limiting weight-conditioned context modeling, or primarily during encoding, causing weight-signal dilution during decoding. Moreover, preference optimization methods rely on purely random sampling to construct solution pairs for training solvers, which often produces less informative pairs and thus leads to low training effectiveness. To better address these limitations, we propose an efficient Weight-Conditioned neural solver (WeCon). Specifically, we design an encoder layer with three attention blocks and our proposed Gated Residual Fusion (GRF) block to facilitate harmonious interaction between instance features and weights, thereby generating informative weight-conditioned context. We further introduce a plug-and-play Residual Fusion (RF) block in the decoder to alleviate weight-signal dilution. Finally, we propose Efficient Preference Optimization (EPO), which constructs high-quality solutions, thereby generating more informative pairs to improve training effectiveness. Experiments on four MOCOP variants across different problem scales and distribution patterns demonstrate that WeCon achieves HyperVolume (HV) values comparable to SOTA solver POCCO-W, while reducing inference time by 40%. Ablation studies validate the contributions of all designs.
• Abstract（参考訳）: 既存のMulti-Objective Combinatorial Optimization Problems (MOCOP) のニューラルソルバは、MOCOPを異なる重みベクトルに関連する複数のサブプロブレムにスキャラライズする分解ベースの戦略を採用するのが一般的である。 しかし、デコーディング時にのみ重みを注入し、ウェイト条件付きコンテキストモデリングを制限するか、主にエンコーディング時に重みを注入し、デコーディング時に重み信号の希釈を引き起こす。 さらに、選好最適化法は、純粋にランダムなサンプリングを頼りに、学習問題解決者のためのソリューションペアを構築し、しばしば情報的ペアを減らし、訓練効率を低下させる。 これらの制約に対処するため,WeCon(Weight-Conditioned Neuralsolvr)を提案する。 具体的には、3つの注意ブロックを持つエンコーダ層を設計し、本提案したGated Residual Fusion(GRF)ブロックをインスタンス特徴と重みの間の調和的な相互作用を容易にし、情報量条件付きコンテキストを生成する。 さらに,デコーダにResidual Fusion(RF)ブロックを導入し,重み付き信号の希釈を緩和する。 最後に、高品質なソリューションを構築し、学習効率を向上させるために、より有益なペアを生成するEPO(Efficient Preference Optimization)を提案する。 異なる問題スケールと分布パターンにまたがる4つのMOCOP変異の実験により、WeConはSOTAソルバPOCCO-Wに匹敵するHyperVolume(HV)値を達成し、推論時間を40%削減することを示した。 アブレーション研究はすべての設計の貢献を検証する。

関連論文リスト

• Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。 本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
  論文  参考訳（メタデータ） (2025-12-28T05:48:55Z)
• Preference-Driven Multi-Objective Combinatorial Optimization with Conditional Computation [10.153136816705542]
  POCCOはサブプロブレムのためのモデル構造を適応的に選択できる新しいプラグイン・アンド・プレイフレームワークである。 そこで本研究では,勝利と敗退の間のペアワイズな選好を学習する選好駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-10T15:25:06Z)
• Neural Combinatorial Optimization with Heavy Decoder: Toward Large Scale Generalization [15.189182646851865]
  本稿では、この重要な問題に対処する強力な一般化能力を持つ新しい軽量重復号器(LEHD)モデルを提案する。 提案するLEHDモデルに対して,データ効率のトレーニング手法とフレキシブルな解法機構を開発する。 提案したLEHDモデルは,建設的NCOの最先端性能を大幅に向上させることができることを確認した。
  論文  参考訳（メタデータ） (2023-10-12T02:18:50Z)
• 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)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• 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。