論文の概要: SSPO: Structure-Aware Similarity-Weighted Preference Optimization for Neural Combinatorial Optimization
- arxiv url: http://arxiv.org/abs/2608.12443v1
- Date: Wed, 12 Aug 2026 16:04:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.290379
- Title: SSPO: Structure-Aware Similarity-Weighted Preference Optimization for Neural Combinatorial Optimization
- Title（参考訳）: SSPO:ニューラルコンビネーション最適化のための構造認識類似度重み付き選好最適化
- Abstract要約: 優先最適化法は、単一最適解に固定し、他のすべてのピアからきめ細かい品質と構造的信号を捨てる。
SSPO (Structure-Aware similarity-Weighted Preference Optimization) を提案する。
- 参考スコア（独自算出の注目度）: 7.503926194234302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural combinatorial optimization (NCO) relies on parallel solution sampling for training, yet existing methods fail to fully exploit the rich information latent in a co-sampled solution group. Preference-optimization methods anchor on the single best solution and discard fine-grained quality and structural signal from all other peers-a failure we term gradient signal polarization. Mean-based baselines instead weight peers uniformly, so structurally near-identical peers flood the baseline with redundant information and keep gradient variance high-a failure we term baseline redundancy. We propose SSPO (Structure-Aware Similarity-Weighted Preference Optimization), which scores all $B$ sampled solutions jointly through a dissimilarity-weighted leave-one-out baseline: structurally distinct peers receive higher weight, resolving both failures in a single mechanism. The baseline uses zero-parameter, problem-adaptive solution embeddings built from the encoder's existing node representations. Experiments on TSP, EFL, and JSP benchmarks show consistent gains over prior best-anchor and uniform-weight baselines. A direct comparison against uniform RLOO on TSP and EFL confirms that structure-aware weighting is the primary driver of improvement. The SSPO-trained EFL policy has been deployed in a production facility-location system at JD$\mathord{.}$com, confirming practical viability at scale.
- Abstract（参考訳）: NCO(Neural combinatorial Optimization)は、並列ソリューションサンプリングをトレーニングに頼っているが、既存の手法では、共サンプリングされたソリューショングループに潜むリッチな情報を十分に活用できない。
優先最適化法は、単一最適解に固定し、他の全てのピアから微細な品質と構造的信号を捨てる。
平均ベースのベースラインは、代わりに一様に重みをピアするので、構造的にほぼ同一のピアは、冗長な情報でベースラインを浸し、勾配分散を高く保ち、ベースライン冗長(baseline redundancy)と呼ぶ。
本稿では, SSPO (Structure-Aware similarity-Weighted Preference Optimization) を提案する。これは, 相似性重み付き残余1アウトベースラインを通じて, サンプリングされた全てのB$を共同でスコアし, 構造的に異なるピアがより高い重み付けを受け, 両方の障害を単一のメカニズムで解決する。
ベースラインは、エンコーダの既存のノード表現から構築されたゼロパラメータ、問題適応型ソリューション埋め込みを使用する。
TSP、ERF、JSPベンチマークの実験では、以前のベストアンカーと均一ウェイトベースラインよりも一貫した利得を示している。
TSP と EFL の均一なROO との直接比較では、構造認識重み付けが改善の原動力であることを確認している。
SSPOで訓練されたEFLポリシーは、JD$\mathord{.comのプロダクション施設配置システムにデプロイされている。
実際に実現可能であることを確認。
関連論文リスト
- Baseline-Free Policy Optimization for Neural Combinatorial Optimization [1.2891210250935148]
グループ相対ポリシー最適化は、サンプリングされた軌道群内の利点を正規化することによって、ベースラインを完全に排除する。
GRPOは、強力なAMベースのマルチスタートベースラインであるPOMOの2%以内で、外部ベースラインを必要としないソリューション品質を実現する。
これらの結果から,GRPO は NCO の有望なベースラインフリー代替品であり,特にベースライン依存トレーニングが脆弱な環境では有効であると考えられた。
論文 参考訳（メタデータ） (2026-06-09T02:18:30Z) - Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions [6.144605787421899]
マルチフィデリティフローマッチング(Multi-Fidelity Flow Matching)は、PDEソリューションのためのカスケード改善フレームワークである。
我々はこれをPDEソリューションのカスケード改善フレームワークであるMulti-Fidelity Flow Matching (MFFM)で活用する。
MFFMは、クエリ毎に決定論的ネットワーク評価を$L$で最良グリッドに達するマルチグリッド改善の学習アナログである。
論文 参考訳（メタデータ） (2026-05-15T16:02:18Z) - Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。
グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。
特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
論文 参考訳（メタデータ） (2026-04-20T16:43:28Z) - Neural Network Pruning via QUBO Optimization [0.08796261172196741]
グローバル最適化による推定の重要性を橋渡しするハイブリッドQUBOフレームワークを提案する。
本定式化では,2次項におけるデータ駆動的類似性を活用しながら,勾配認識感度指標を線形項に統合する。
SIDD画像復調データセットの実験では、提案されたハイブリッドQUBOは、グリーディ・テイラープルーニングと従来のL1ベースのQUBOの両方で著しく優れていた。
論文 参考訳（メタデータ） (2026-04-07T13:16:40Z) - When Right Meets Wrong: Bilateral Context Conditioning with Reward-Confidence Correction for GRPO [18.988527161000203]
グループ相対政策最適化(GRPO)は、推論モデルを訓練するための効果的な方法として登場した。
本稿では,GRPOの目的が正解率と正解率とのマージンを暗黙的に最大化することを示す。
本稿では,モデルが相互参照を成功させる機構であるバイラテラルコンテキストコンディショニング(BICC)を提案する。
論文 参考訳（メタデータ） (2026-03-13T16:25:02Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳（メタデータ） (2026-02-24T05:32:03Z) - Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-01T12:56:10Z) - BOPO: Neural Combinatorial Optimization via Best-anchored and Objective-guided Preference Optimization [17.694852175354555]
目的値を介して解の選好を利用する訓練パラダイムであるBOPO(Best-anchored and Objective-Guided Preference Optimization)を提案する。
ジョブショップ問題(JSP)、トラベルセールスマン問題(TSP)、フレキシブルジョブショップスケジューリング問題(FJSP)の実験は、BOPOが最先端のニューラルメソッドより優れていることを示している。
論文 参考訳（メタデータ） (2025-03-10T17:45:30Z) - 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) - Equivariant Deep Weight Space Alignment [54.65847470115314]
本稿では,ウェイトアライメント問題を解決するための学習を目的とした新しいフレームワークを提案する。
まず、重み調整が2つの基本対称性に一致することを証明し、それからこれらの対称性を尊重する深いアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-10-20T10:12:06Z) - PARL: A Unified Framework for Policy Alignment in Reinforcement Learning from Human Feedback [106.63518036538163]
我々は、強化学習におけるポリシーアライメントの最近強調された重要な問題に対処するために、新しい統合された二段階最適化ベースのフレームワーク、textsfPARLを提案する。
本フレームワークは, 上向きの目標(逆設計)の分布を, 下向きの最適変数で明示的にパラメータ化することにより, これらの問題に対処する。
その結果,提案したtextsfPARL が RL のアライメントの懸念に対処できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-03T18:03:44Z)
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。