論文の概要: Understanding Decision-Making Mechanisms in Neural Routing Solvers
- arxiv url: http://arxiv.org/abs/2609.36063v1
- Date: Mon, 28 Sep 2026 18:18:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.933108
- Title: Understanding Decision-Making Mechanisms in Neural Routing Solvers
- Title（参考訳）: ニューラルルーティング・ソリューションにおける意思決定メカニズムの理解
- Abstract要約: AMとPOMO(重エンコーダ、軽デコーダ)とLEHD(軽デコーダ、重デコーダ)の2つのエンコーダ・デコーダにまたがる代表的NCOモデルについて検討する。
以上の結果から,AMとPOMOはソリューション構築全体を通して永続的な幾何学的パターンに従っているのに対し,LEHDは複数の将来の行動に関する情報を線形にアクセス可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 9.363291693819525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural Combinatorial Optimization (NCO) has achieved strong empirical success, yet the internal mechanisms driving model decisions remain largely unexplored. In this paper, we investigate three representative autoregressive NCO models spanning two encoder-decoder configurations: AM and POMO (heavy-encoder, light-decoder), and LEHD (light-encoder, heavy-decoder). Through behavioral analyses, representation probing, and causal interventions, we examine how these models construct solutions and use internal representations during decoding. Our results suggest that AM and POMO predominantly follow a persistent geometric pattern throughout solution construction, whereas LEHD contains linearly accessible information about multiple future actions. Causal experiments further provide evidence for the role of future-node representations in LEHD's decision-making. We also observe that LEHD relies strongly on the current-node representation for immediate local decisions, while the start-node representation plays a broader navigational role over the subsequent route. Cross-instance alignment analyses additionally indicate that LEHD maps current-node representations into a relatively shared latent region, which may provide a stable reference for evaluating subsequent decisions. Across the Traveling Salesman Problem and the Capacitated Vehicle Routing Problem, these results reveal distinct decision-making patterns across these architecturally distinct solvers and provide a foundation for more interpretable analyses of NCO solvers. Code and additional visualizations are provided in the https://github.com/NCO-Interpretability/NCO-Interpretability.
- Abstract（参考訳）: Neural Combinatorial Optimization (NCO) は経験的成功を収めているが、モデル決定を駆動する内部メカニズムはほとんど解明されていない。
本稿では、AMとPOMO(重エンコーダ、光デコーダ)とLEHD(軽エンコーダ、重デコーダ)の2つのエンコーダ構成にまたがる3つの代表的自己回帰NCOモデルについて検討する。
行動分析,表現探索,因果介入を通じて,これらのモデルがどのように解を構築し,デコード中に内部表現を使用するかを検討する。
以上の結果から,AMとPOMOはソリューション構築全体を通して永続的な幾何学的パターンに従っているのに対し,LEHDは複数の将来の行動に関する情報を線形にアクセス可能であることが示唆された。
因果実験は、LEHDの意思決定における将来のノード表現の役割の証拠をさらに提示する。
また、LEHDは現在のノード表現に強く依存しているのに対し、起動ノード表現はその後の経路よりも広いナビゲーションの役割を担っていることも観察した。
クロスインスタンスアライメント解析は、LEHDが現在のノード表現を相対的に共有された潜在領域にマッピングすることを示している。
トラベリングセールスマン問題とキャパシタントカールーティング問題にまたがるこれらの結果は、これらのアーキテクチャ的に異なる問題解決者間で異なる意思決定パターンを明らかにし、より解釈可能なNCO解決者分析の基礎を提供する。
コードと追加の視覚化はhttps://github.com/NCO-Interpretability/NCO-Interpretabilityで提供されている。
関連論文リスト
- Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models [65.4947731385794]
基礎画像中心モデルであるInsight-Vから進化した統合多エージェント視覚推論フレームワークを提案する。
空間的時間的推論を強化し、評価ロバスト性を向上させる2つの新しいアルゴリズムST-GRPOとJ-GRPOを導入する。
LLaVA-NeXTやQwen2.5-VLといったベースモデルの実験は、挑戦的な画像とビデオの推論ベンチマーク間で大きなパフォーマンス向上を示している。
論文 参考訳（メタデータ） (2026-03-18T15:28:07Z) - Probing Neural Combinatorial Optimization Models [34.09732064762612]
ニューラル最適化(NCO)は目覚ましい性能を達成したが、その学習されたモデル表現と決定的根拠はブラックボックスのままである。
本稿では,NCOモデルを様々な探索タスクを通して解析することで,NCOモデルの解釈に向けた第一歩を踏み出す。
我々は,NCO表現のより深い分析を可能にするために,Coefficient Significance Probing (CS-Probing) という新しい探索ツールを導入する。
論文 参考訳（メタデータ） (2025-10-25T03:11:10Z) - CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning [93.05917922306196]
Composed Image Retrieval (CIR) は、参照画像と修正テキストから対象画像を見つけることを目的としている。
CIR-CoTは、明示的なChain-of-Thought (CoT)推論を統合するために設計された最初のエンドツーエンド検索指向MLLMである。
論文 参考訳（メタデータ） (2025-10-09T09:41:45Z) - Neural Networks Decoded: Targeted and Robust Analysis of Neural Network Decisions via Causal Explanations and Reasoning [9.947555560412397]
本稿では、因果推論理論に基づく新しい手法TRACERを紹介し、DNN決定の根底にある因果ダイナミクスを推定する。
提案手法は入力特徴に系統的に介入し,特定の変化がネットワークを介してどのように伝播するかを観察し,内部の活性化と最終的な出力に影響を与える。
TRACERはさらに、モデルバイアスの可能性のある反ファクトを生成することで説明可能性を高め、誤分類に対する対照的な説明を提供する。
論文 参考訳（メタデータ） (2024-10-07T20:44:53Z) - Making Large Language Models Better Planners with Reasoning-Decision Alignment [70.5381163219608]
マルチモーダリティ強化LLMに基づくエンドツーエンド意思決定モデルを提案する。
ペア化されたCoTと計画結果との推論・決定アライメントの制約を提案する。
提案する大規模言語プランナをRDA-Driverとして推論・決定アライメントする。
論文 参考訳（メタデータ） (2024-08-25T16:43:47Z) - Robust Neural Information Retrieval: An Adversarial and Out-of-distribution Perspective [111.58315434849047]
ニューラルネットワーク検索モデル(IR)モデルの堅牢性は、大きな注目を集めている。
我々は、IRの堅牢性を多面的概念とみなし、敵攻撃、アウト・オブ・ディストリビューション(OOD)シナリオ、パフォーマンスのばらつきに対してその必要性を強調している。
我々は,既存の手法,データセット,評価指標について詳細な議論を行い,大規模言語モデルの時代における課題や今後の方向性に光を当てる。
論文 参考訳（メタデータ） (2024-07-09T16:07:01Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Towards Stable Co-saliency Detection and Object Co-segmentation [12.979401244603661]
本稿では,CoSODとCoSEGを同時検出する新しいモデルを提案する。
まず、ダミーオーダー機構(DOM)とリカレントユニット(RU)を含むマルチパス安定リカレントユニット(MSRU)を提案する。
提案したMSRUは、CoSOD(CoSEG)モデルが堅牢な画像間関係をキャプチャするだけでなく、秩序感を低減し、より安定した推論とトレーニングプロセスを実現する。
論文 参考訳（メタデータ） (2022-09-25T03:58:49Z) - Generalization ability and Vulnerabilities to adversarial perturbations: Two sides of the same coin [1.7314342339585087]
自己組織化マップ(SOM)を用いて、ディープラーニングモデルの意思決定に関連する内部コードを分析する。
解析により,入力層に近い浅層が同質コードにマップされ,出力層に近い深層が浅層内のこれらの浅層を多様コードに変換することが示唆された。
論文 参考訳（メタデータ） (2022-05-22T23:14:27Z) - i-Algebra: Towards Interactive Interpretability of Deep Neural Networks [41.13047686374529]
i-Algebraはディープニューラルネットワーク(DNN)を解釈するための対話型フレームワークである。
その中核は原子、構成可能な演算子のライブラリであり、さまざまな入力粒度、異なる推論段階、および異なる解釈の視点からモデル挙動を説明する。
我々は,敵入力の検査,モデル不整合の解消,汚染データのクリーン化など,一連の代表的分析タスクでユーザ研究を行い,その有望なユーザビリティを示す。
論文 参考訳（メタデータ） (2021-01-22T19:22:57Z) - Rethinking Generalization of Neural Models: A Named Entity Recognition
Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。
詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。
本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文 参考訳（メタデータ） (2020-01-12T04:33:53Z)
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。