論文の概要: Beyond Static Priors: Dynamic Neural Guidance for Large-Scale Ant Colony Optimization

• arxiv url: http://arxiv.org/abs/2606.04039v1
• Date: Tue, 02 Jun 2026 03:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.259868
• Title: Beyond Static Priors: Dynamic Neural Guidance for Large-Scale Ant Colony Optimization
• Title（参考訳）: Beyond Static Priors: 大規模アントコロニー最適化のための動的ニューラルネットワークガイダンス
• Authors: Dat Thanh Tran, Van Khu Vu, Yining Ma,
• Abstract要約: 動的神経誘導を実現する新しいフレームワークであるDyNACOを提案する。 DyNACOは10万ノードのインスタンスにスケールし、神経ベースラインを上回っている。 我々の研究は、ニューラルトレーニングと反復探索ダイナミクスの整合の必要性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 8.078116063833775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural-guided Ant Colony Optimization (ACO) suffers from a fundamental training-inference misalignment: policies are typically trained to generate static priors (e.g., heatmaps), yet deployed to guide iterative, long-horizon search processes. In this paper, we present DyNACO, a novel framework that achieves dynamic neural guidance by periodically observing the pheromone distribution and the incumbent solution. To make DyNACO tractable at scale, we pair the policy with a perturbation-based ACO backend and a scope-restricted refinement mechanism that jointly ensure efficacy and stable credit assignment. On TSP, DyNACO scales to 100,000-node instances and outperforms neural baselines while often reducing total runtime compared to the unguided solver. We extend DyNACO to CVRP via a capacity-aware backend, consistently improving the unguided baseline with less than 1% neural overhead. We further provide in-depth analysis validating the model's generalization capabilities and elucidating why dynamic guidance outperforms static priors. Our work underscores the necessity of aligning neural training with iterative search dynamics in learning-guided optimization. The code is available at https://github.com/shoraaa/DyNACO.
• Abstract（参考訳）: ACO(Neural-Guided Ant Colony Optimization)は、基本的なトレーニング推論のミスアライメントに悩まされる – ポリシは通常、静的な事前(例えば、ヒートマップ)を生成するようにトレーニングされるが、反復的で長い水平探索プロセスを導くためにデプロイされる。 本稿では,フェロモン分布と既存溶液を周期的に観察することにより,動的神経誘導を実現する新しいフレームワークであるDyNACOを提案する。 DyNACOを大規模に利用可能にするため、このポリシーを摂動型ACOバックエンドと、有効性と安定した信用割当を共同で保証するスコープ制限強化機構とをペアリングする。 TSPでは、DyNACOは10万ノードのインスタンスにスケールし、神経ベースラインより優れています。 キャパシティを意識したバックエンドを通じてDyNACOをCVRPに拡張し、1%未満のニューラルオーバーヘッドで非ガイドベースラインを継続的に改善します。 さらに、モデルの一般化能力を検証し、なぜ動的ガイダンスが静的な先行よりも優れているのかを解明する。 我々の研究は、学習誘導最適化において、ニューラルトレーニングと反復探索ダイナミクスの整合性の必要性を浮き彫りにしている。 コードはhttps://github.com/shoraaa/DyNACOで公開されている。

関連論文リスト

• Neural Ising Machines via Unrolling and Zeroth-Order Training [3.5808917363708743]
  本稿では,NP-hard Ising と Max-Cut の最適化のために,反復力学系の更新規則を学習するデータ駆動型アルゴリズムを提案する。 我々はこのアプローチを、長いニューラルネットワークパラメータ化Issing Machine(NPIM)と呼ぶ。
  論文  参考訳（メタデータ） (2026-01-30T20:51:51Z)
• SAFA-SNN: Sparsity-Aware On-Device Few-Shot Class-Incremental Learning with Fast-Adaptive Structure of Spiking Neural Network [19.73335869722781]
  エッジデバイスがデータプライバシを保持し、動的環境における信頼性の高いパフォーマンスを維持するためには、新しいクラスの継続的学習が不可欠である。 本研究では,SNNを用いたデバイス上でのFSCIL(Sparsity-Aware)とFast Adaptive SNN(Fast Adaptive SNN)を提案する。
  論文  参考訳（メタデータ） (2025-10-04T03:21:31Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Improving Generalization of Complex Models under Unbounded Loss Using PAC-Bayes Bounds [10.94126149188336]
  PAC-Bayes学習理論は、テストエラーの厳密な上限を確立することに重点を置いている。 PAC-Bayesトレーニングと呼ばれる最近提案されたトレーニング手順は、これらの境界を最小化するためにモデルを更新する。 このアプローチは理論的に健全であり、実際は、経験的リスク最小化(ERM)によって得られたものほど、テストエラーを達成していない。 PAC-Bayes トレーニングアルゴリズムを導入し,性能向上と事前チューニングへの依存度低減を実現した。
  論文  参考訳（メタデータ） (2023-05-30T17:31:25Z)
• Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
  我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。 標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。 サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
  論文  参考訳（メタデータ） (2022-10-12T06:49:16Z)
• Edge of chaos as a guiding principle for modern neural network training [19.419382003562976]
  ニューラルネットワーク学習アルゴリズムにおける様々なハイパーパラメータの役割を秩序-カオス位相図を用いて検討する。 特に、広く採用されているFashion-MNISTデータセットに基づいて、完全に解析的なフィードフォワードニューラルネットワークについて検討する。
  論文  参考訳（メタデータ） (2021-07-20T12:17:55Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)

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。