論文の概要: A Constraint-Aware Generative Framework for Synthetic Origin-Destination Demand in Logistics Networks

• arxiv url: http://arxiv.org/abs/2609.04345v1
• Date: Thu, 03 Sep 2026 18:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.778993
• Title: A Constraint-Aware Generative Framework for Synthetic Origin-Destination Demand in Logistics Networks
• Title（参考訳）: ロジスティックスネットワークにおける合成原点推定需要の制約を考慮した生成フレームワーク
• Abstract要約: 大規模ロジスティクスネットワークはシナリオベースプランニングをサポートするために合成データ生成機能を必要とする。 階層型ロジスティクスネットワークにおける合成原産地決定需要生成のための制約対応条件生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.2691047660244335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale logistics networks require synthetic data generation capabilities to support scenario-based planning under novel conditions-such as network reconfiguration and demand shocks. Existing approaches, which rely primarily on historical observations, lack the ability to generate demand patterns that adapt to changes in network topology while respecting operational constraints. We propose a constraint-aware conditional generative framework for synthetic origin-destination demand generation in hierarchical logistics networks. The framework models demand as a conditional distribution over destinations given each origin, enabling topology-aware synthesis that is both topologically realistic and operationally feasible. Operational guidance is incorporated directly into the generative objective via differentiable constraints, while a flexible conditioning mechanism supports various operational contexts and adaptation to evolving network configurations. We instantiate the proposed framework based on a conditional generative model. Experimental validation on industrial real fulfillment and transportation network demonstrates 16% improvement over graph neural network baselines, 87% operational compliance, and efficient cold-start adaptation, enabling applications in capacity planning, network design evaluation, and routing optimization.
• Abstract（参考訳）: 大規模ロジスティクスネットワークは、ネットワーク再構成や需要ショックといった新しい条件下でのシナリオベースの計画を支援するために、合成データ生成機能を必要とする。 既存のアプローチは、主に歴史的観測に依存するが、運用上の制約を尊重しながら、ネットワークトポロジの変化に適応する需要パターンを生成する能力は欠如している。 階層型ロジスティクスネットワークにおける合成原産地決定需要生成のための制約対応条件生成フレームワークを提案する。 フレームワークモデルは、それぞれの起源が与えられた目的地の条件分布として要求され、トポロジ的に現実的かつ運用的に実現可能なトポロジ対応の合成を可能にする。 操作ガイダンスは、異なる制約によって生成対象に直接組み込まれ、フレキシブルな条件付け機構は様々な運用コンテキストをサポートし、進化するネットワーク構成に適応する。 条件付き生成モデルに基づいて提案するフレームワークをインスタンス化する。 産業用リアルフルフィルメントとトランスポートネットワークに関する実験的検証では、グラフニューラルネットワークベースラインよりも16%向上し、87%の運用コンプライアンス、効率的なコールドスタート適応を実現し、キャパシティプランニング、ネットワーク設計評価、ルーティング最適化の応用を可能にしている。

関連論文リスト

• Operationally Feasible Synthetic Power-Grid Scenarios via Learning the AC-Operable Joint Distribution [44.775838749793735]
  合成パワーグリッドシナリオは、計画、レジリエンスアセスメント、並行性分析、データ駆動パワーシステムアプリケーションに不可欠である。 近年の合成格子生成法は, 工学的知識を取り入れた構造的現実性と操作性の向上を実現している。 本稿では,ネットワークトポロジのAC-operable joint distributionを学習する実現可能性を考慮した分布学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-04T16:17:15Z)
• GUIDED Network-Agnostic Feature Initialization for Spatial Transferability in GNN-based Models [46.28228608289378]
  交通割り当て問題(Traffic Assignment Problem)は、交通計画の基本的だが計算に費用がかかる問題である。 本研究では,ネットワークに依存しない初期化層であるGeometrically Unconstrained Inductive Demand EmbeDdingを提案する。 このフレームワークは、ネットワークスケールに関係なく、入力空間を標準化する。 これは、貨物物流やマルチモーダルネットワーク最適化のような一般化された原点決定空間問題に対して、汎用的な青写真を提供する。
  論文  参考訳（メタデータ） (2026-07-21T16:41:59Z)
• An LLM-Based Framework for Intent-Driven Network Topology Design [0.8538830579425146]
  本研究では,大規模言語モデルが構造的に妥当で制約に順応するネットワークトポロジを生成する能力について検討する。 このフレームワークは、4つの現実的なネットワークシナリオにわたるプロプライエタリおよびオープンウェイトLLMのマルチモデル比較によって評価される。 全体として、この研究は、LLMがトポロジー合成における構造的およびレジリエンス的制約をどのように扱うかを理解するための体系的なベンチマークを提供する。
  論文  参考訳（メタデータ） (2026-07-01T00:38:36Z)
• Logic Tensor Network-Enhanced Generative Adversarial Network [2.3791444696448085]
  GAN(Generative Adversarial Networks)を強化する新しいフレームワークであるLTN-GAN(Logic Network-Enhanced Generative Adversarial Network)を紹介する。 我々は,合成データセット(ガウス,グリッド,リング)やMNISTデータセットなど,複数のデータセットにわたるLTN-GANを評価する。 この研究は、知識集約ドメインにおける生成モデリングを強化するニューロシンボリックアプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-07T12:04:49Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Energy-Efficient Dynamic Training and Inference for GNN-Based Network Modeling [5.049057348282933]
  本稿では,文脈認識型ネットワークモデリングと予測のためのモデルトレーニングと推論フレームワークを提案する。 我々は、多くの計算ノードを持つマルチアプリケーションシステムを表現するために、三部グラフモデルを利用する。 本稿では、QAOを用いた制約付きグラフカットを適用し、GNNベースモデルの実現可能なエネルギー効率構成を見つけ、利用可能な計算ノードに配置し、ネットワークモデリングアプリケーション要求を満たす。
  論文  参考訳（メタデータ） (2025-03-24T14:17:57Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)

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。