論文の概要: GeoPAR: Large-Scale Multi-Agent Combinatorial Optimization with Geometry-Guided Parallel Autoregressive Learning

• arxiv url: http://arxiv.org/abs/2609.00577v1
• Date: Tue, 01 Sep 2026 02:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.238795
• Title: GeoPAR: Large-Scale Multi-Agent Combinatorial Optimization with Geometry-Guided Parallel Autoregressive Learning
• Title（参考訳）: GeoPAR:Geometry-Guided Parallel Autoregressive Learningを用いた大規模マルチエージェント組合せ最適化
• Authors: Wenjian Wu, Zesheng Jia, Jiaying Tang, Benyuan Yang, Jin Wang,
• Abstract要約: GeoPARは、拡張性のあるマルチエージェント最適化のための、幾何学誘導型並列自己回帰強化学習フレームワークである。 実験により、GeoPARはロールアウトステップを大幅に削減し、効率的な推論を維持しながら、大規模なゼロショット一般化を改善することが示された。
• 参考スコア（独自算出の注目度）: 4.471528509969228
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multi-agent combinatorial optimization problems are notoriously challenging due to their NP-hard nature. Recent parallel autoregressive neural solvers improve inference efficiency by allowing agents to make decisions simultaneously, but their performance often degrades on large-scale instances. This is largely attributable to weak modeling of local geometric structures and the fact that conflicting task selections are handled only after action generation. To address these limitations, we propose GeoPAR, a geometry-guided parallel autoregressive reinforcement learning framework for scalable multi-agent combinatorial optimization. GeoPAR integrates three key components: (1) a projection-window sparse geometry mechanism that builds lightweight local candidate neighborhoods through multi-directional projections, (2) sparse edge-biased attention that injects these geometric relations into node representations, and (3) cache-guided conflict-aware assignment that reuses the geometric cache during decoding to suppress duplicate selections of exclusive tasks. Experiments on heterogeneous vehicle routing and open multi-depot pickup-and-delivery problems show that GeoPAR improves large-scale zero-shot generalization while substantially reducing rollout steps and maintaining efficient inference.
• Abstract（参考訳）: 多エージェント組合せ最適化問題はNPハードの性質のため、非常に難しい。 最近の並列自己回帰型ニューラルソルバはエージェントが同時に意思決定を行うことで推論効率を向上させるが、大規模インスタンスでは性能が劣化することが多い。 これは、局所幾何学構造の弱いモデリングと、競合するタスク選択がアクション生成後にのみ扱われるという事実に起因する。 このような制約に対処するため,幾何誘導型並列自己回帰強化学習フレームワークGeoPARを提案する。 GeoPARは,(1)多方向投影による軽量な局所候補近傍構築のためのプロジェクション・ウィンドウ・スパース・ジオメトリ機構,(2)ノード表現にこれらの幾何学的関係を注入する疎エッジ・バイアスド・アテンション,(3)デコード中の幾何学的キャッシュを再利用して排他的タスクの重複の選択を抑えるキャッシュ誘導コンフリクト・アサイン,の3つの重要なコンポーネントを統合している。 ヘテロジニアスな車両ルーティングとオープンなマルチデポのピックアップ・アンド・デリバリ問題の実験により、GeoPARはロールアウトステップを大幅に削減し、効率的な推論を維持しながら、大規模なゼロショット一般化を改善した。

関連論文リスト

• Geometric Self-Supervised Pre-training for Neural Combinatorial Optimization [40.74618635552097]
  ルーティンググラフのための幾何学的自己教師付き事前学習フレームワークを提案する。 このフレームワークは、ポリシー最適化フェーズの前に堅牢な構造表現を学習する。 提案したモデルでは計算効率が優れており、正確な解法であるConcordeよりも最大2桁のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-07-31T20:23:21Z)
• LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
  アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。 本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。 実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
  論文  参考訳（メタデータ） (2026-03-30T13:39:35Z)
• Decoupling Geometric Planning and Execution in Scalable Multi-Agent Path Finding [44.79409119345322]
  Multi-Agent Path Finding (MAPF) は、共有グラフ上の複数のエージェントに対して衝突のない軌道を必要とする。 本稿では,幾何計画と実行時競合解決を分離するハイブリッドな優先順位付けフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T11:04:54Z)
• COMPOSE: Hypergraph Cover Optimization for Multi-view 3D Human Pose Estimation [58.47973015036709]
  スパース多視点からの3次元ポーズ推定は、行動認識、スポーツ分析、人間とロボットの相互作用にとって重要な課題である。 ハイパーグラフ問題として多視点ポーズ対応マッチングを定式化する新しいフレームワークComposEを提案する。 COMPOSEは,従来の最適化手法よりも平均23%,自己教師付きエンドツーエンド学習手法より最大11%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-01-14T18:50:17Z)
• PARCO: Parallel AutoRegressive Models for Multi-Agent Combinatorial Optimization [25.209951743372855]
  PARCOはマルチエージェントタスクのための高品質なソリューションを効率的に構築するために設計された強化学習フレームワークである。 マルチエージェント車両のルーティングとスケジューリングにおけるPARCOの評価を行い,提案手法は最先端の学習方法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-09-05T17:49:18Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)

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。