論文の概要: PLAN: Parallel Liquid-Inspired Approximation Network for Efficient Representation Learning in Flexible Job Shop Scheduling

• arxiv url: http://arxiv.org/abs/2608.03041v1
• Date: Tue, 04 Aug 2026 02:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.000614
• Title: PLAN: Parallel Liquid-Inspired Approximation Network for Efficient Representation Learning in Flexible Job Shop Scheduling
• Title（参考訳）: PLAN:フレキシブルジョブショップスケジューリングにおける効率的な表現学習のための並列液体インスパイア近似ネットワーク
• Abstract要約: PLANは、連続的な液体状態のダイナミクスを離散化および並列化可能な定式化に変換する軽量な表現学習フレームワークである。 PLANは、対応する最先端のベースラインと比較して、平均メースパンをそれぞれ1.2%、1.4%、および2.3%削減する。 PLANは、それぞれ平均推論遅延を13.2%、31.7%、26.9%削減し、最大69.2%削減した。
• 参考スコア（独自算出の注目度）: 11.920717162099818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning (DRL) approaches for flexible job shop scheduling (FJSP) heavily rely on attention-centric architectures to achieve state-of-the-art performance. However, these models suffer from excessive parameter counts and prohibitive inference latency as problem scales expand. While liquid neural networks (LNNs) offer a parameter-efficient alternative for modeling adaptive state evolution, their inherently sequential dynamics bottleneck computational efficiency. To resolve this trade-off, we propose PLAN (Parallel Liquid-inspired Approximation Network), a lightweight representation learning framework that reformulates continuous liquid-state dynamics into a discretized and parallelizable formulation. PLAN structurally decouples state evolution from context aggregation, where liquid-inspired updates handle the primary evolving state representation, and a lightweight context aggregation module provides complementary global context. Furthermore, PLAN acts as a versatile, plug-and-play backbone that generalizes to complex FJSP variants, pairing with a compact stochastic module for stochastic FJSP and replacing heavy heterogeneous graph transformers in multi-faceted dynamic FJSP. Extensive evaluations across deterministic, stochastic, and multi-faceted dynamic FJSP benchmarks show that PLAN reduces the average makespan by 1.2%, 1.4%, and 2.3%, respectively, compared with the corresponding state-of-the-art baselines, with the improvement reaching 10.2% in one benchmark setting. PLAN also reduces average inference latency by 13.2%, 31.7%, and 26.9%, respectively, with a maximum reduction of 69.2% on the largest instances, while using only 22$-$47% of the baseline parameters.
• Abstract（参考訳）: フレキシブルジョブショップスケジューリング(FJSP)のための深層強化学習(DRL)アプローチは、最先端のパフォーマンスを達成するために注目中心のアーキテクチャに大きく依存している。 しかし、これらのモデルは、問題スケールが拡大するにつれて、過剰なパラメータ数と禁忌の推論遅延に悩まされる。 液体ニューラルネットワーク(LNN)は適応状態の進化をモデル化するためのパラメータ効率の良い代替手段を提供するが、その本質的にはシーケンシャルな動的ボトルネック計算効率である。 このトレードオフを解決するために,PLAN(Parallel Liquid-inspired Approximation Network)を提案する。 PLANは、コンテクストアグリゲーションから状態の進化を分離する。そこでは、液体にインスパイアされた更新が主要な進化状態表現を処理し、軽量なコンテキストアグリゲーションモジュールは補完的なグローバルなコンテキストを提供する。 さらに、PLANは複雑なFJSP変種に一般化する汎用的なプラグアンドプレイバックボーンとして機能し、確率的FJSPのためのコンパクト確率モジュールとペアリングし、多面動的FJSPにおける重いヘテロジニアスグラフ変換器を置き換える。 決定論的、確率的、多面的FJSPベンチマークによる広範囲な評価は、PLANが対応する最先端ベースラインと比較して平均メイトパンを1.2%、1.4%、および2.3%削減し、改善は1つのベンチマーク設定で10.2%に達したことを示している。 PLANは、それぞれ平均推論遅延を13.2%、31.7%、26.9%削減し、最大のインスタンスでは最大69.2%削減し、ベースラインパラメータの22-47%しか使用していない。

関連論文リスト

• Optimization Algorithms for Joint OFDM Waveform Design and RIS Configuration in 6G Networks: From Convex Relaxation to Foundation Models [1.9290392443571385]
  2021年から2026年にかけて発行されたOFDMRIS最適化について調査した。 標準化されたベンチマークは存在せず、クロスペーパー比較は実現不可能である。 合成ベースのベンチマークデプロイメントから6つのオープンな課題が浮かび上がっている。
  論文  参考訳（メタデータ） (2026-06-30T08:34:46Z)
• Phase-Scheduled Multi-Agent Systems for Token-Efficient Coordination [0.0]
  位相スケジュール多エージェントシステム(PSMAS)は、円多様体上にモデル化された共有注意空間の連続制御としてエージェント活性化を再認識するフレームワークである。 PSMASは平均トークンの減少率を27.3%(約21.4-34.8%)とし、完全に活性化されたベースラインの2.1ポイント以内のタスク性能を維持している。
  論文  参考訳（メタデータ） (2026-04-19T12:03:54Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• MFI-ResNet: Efficient ResNet Architecture Optimization via MeanFlow Compression and Selective Incubation [7.158376693956831]
  MeanFlow-Incubated ResNetはパラメータ効率と識別性能を改善している。 MFI-ResNetは、ResNet-50と比較してパラメータを46.28%、45.59%削減し、精度は0.23%、0.17%向上した。
  論文  参考訳（メタデータ） (2025-11-16T02:33:50Z)
• Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
  固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。 SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。 この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
  論文  参考訳（メタデータ） (2025-10-17T07:43:51Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Improving Progressive Generation with Decomposable Flow Matching [50.63174319509629]
  Decomposable Flow Matching (DFM)は、ビジュアルメディアのプログレッシブな生成のためのシンプルで効果的なフレームワークである。 Imagenet-1k 512pxでは、DFMはベースアーキテクチャよりも35.2%改善され、ベースラインは26.4%向上した。
  論文  参考訳（メタデータ） (2025-06-24T17:58:02Z)
• Mixture of Physical Priors Adapter for Parameter-Efficient Fine-Tuning [41.19870454097444]
  本稿では,ネットワークの重み付けを物理的に組み合わせてモデル化する手法を提案する。 熱拡散、波動伝播、ポアソンの定常方程式の3つの基礎方程式がそれぞれ固有のモデリング特性に寄与する。 MoPPAはPEFTの精度を最大2.1%向上させる。
  論文  参考訳（メタデータ） (2024-12-03T19:00:34Z)
• Sparse Model Soups: A Recipe for Improved Pruning via Model Averaging [24.64264715041198]
  Sparse Model Soups (SMS) は,各プルー・リトレインサイクルを前フェーズから平均モデルに開始することでスパースモデルをマージする新しい手法である。 SMSはスパース性を保ち、スパースネットワークの利点を悪用し、モジュール化され、完全に並列化可能であり、IMPのパフォーマンスを大幅に改善する。
  論文  参考訳（メタデータ） (2023-06-29T08:49:41Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)

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。