論文の概要: RELAGRAM: Recursive Latent Graph Model for the Capacitated Vehicle Routing Problem

• arxiv url: http://arxiv.org/abs/2610.15106v1
• Date: Sat, 10 Oct 2026 18:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:32:37.114154
• Title: RELAGRAM: Recursive Latent Graph Model for the Capacitated Vehicle Routing Problem
• Title（参考訳）: RELAGRAM: 静電容量化車両ルーティング問題に対する再帰潜在グラフモデル
• Abstract要約: グラフ最適化に遅延再帰をもたらす新しいアプローチであるRELAGRAMを導入する。 我々は、RELAGRAMが13.4%、9.8%、および8.3%のPyVRP参照のギャップを達成していることを示す。 また、RELAGRAM はゼロショットを CVRP-500 と CVRP-1000 に一般化し、256候補探索で 15.6% と 21.7% の差を達成できることを示した。
• 参考スコア（独自算出の注目度）: 4.2356833681644055
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Latent recursion repeatedly processes internal representations through the same neural network. Recent work has shown this approach to be effective on structured reasoning tasks such as Sudoku and maze solving. However, whether latent recursion can support neural routing remains unclear. We introduce RELAGRAM (Recursive Latent Graph Model), a novel approach that brings latent recursion to graph combinatorial optimization. RELAGRAM encodes a capacitated vehicle routing problem (CVRP) instance as edge tokens; a compact transformer recurrently updates the latent representations of these tokens. An output head maps the answer state to an edge heatmap, from which an autoregressive decoder constructs a feasible solution. On CVRP-100 instances, the 0.53M-parameter RELAGRAM achieves gaps to a PyVRP reference of 13.4%, 9.8%, and 8.3% under greedy decoding, eightfold symmetry augmentation, and 256-candidate search, respectively. Trained only on CVRP-100, RELAGRAM generalizes zero-shot to CVRP-500 and CVRP-1000, achieving gaps of 15.6% and 21.7% under 256-candidate search. Together, these results demonstrate that latent recursion is a promising approach to neural routing.
• Abstract（参考訳）: 潜伏再帰は同じニューラルネットワークを通して内部表現を繰り返し処理する。 近年の研究では、スドクや迷路解法のような構造的推論タスクに効果的であることが示されている。 しかし、潜伏再帰がニューラルルーティングをサポートするかどうかはまだ不明である。 グラフ組合せ最適化に潜時再帰をもたらす新しいアプローチであるRELAGRAM(Recursive Latent Graph Model)を導入する。 RELAGRAMは、容量化車両ルーティング問題(CVRP)をエッジトークンとしてエンコードする。 出力ヘッドは、応答状態をエッジヒートマップにマッピングし、そこから自己回帰デコーダが実現可能なソリューションを構築する。 CVRP-100のインスタンスでは、0.53MパラメータのRELAGRAMが13.4%、9.8%、および8.3%のPyVRP参照のギャップを、それぞれグレディ復号、8倍対称性増倍、8倍対称性増倍、256候補探索で達成している。 CVRP-100でのみ訓練されたRELAGRAMは、ゼロショットをCVRP-500とCVRP-1000に一般化し、256候補探索で15.6%と21.7%のギャップを達成している。 これらの結果は、潜伏再帰がニューラルルーティングに対する有望なアプローチであることを証明している。

関連論文リスト

• GeoRouteNet: Geometry-Enhanced Non-Autoregressive Neural Solver for the Traveling Salesman Problem [5.202950948929751]
  GeoRouteNetはユークリッド旅行セールスマン問題(TSP)のための幾何学強化ニューラルネットワークである モデル側では、GeoRouteNetには、中心ノード機能、学習可能なラジアル距離基底関数、距離対応グラフアテンション、LayerNorm-SwiGLUフィードフォワードブロック、層間減衰残エンコーダミキシングが組み込まれている。 トレーニング側では,インスタンス毎に複数の候補ツアーを抽出するマルチ候補自己比較強化学習(MCS-RL)を設計する。
  論文  参考訳（メタデータ） (2026-06-22T02:31:22Z)
• Probabilistic Tiny Recursive Model [5.602735174786989]
  Tiny Recursive Models (TRM)は、現代の大規模言語モデル(LLM)のパラメータのごく一部で複雑な推論タスクを解決する。 本稿では,テスト時間計算スケーリングのためのタスク依存フレームワークであるProbabilistic TRMを紹介する。 PTRMは、それぞれの深い再帰ステップでガウスノイズを注入し、平行軌道が様々な溶液盆地を探索することを可能にする。
  論文  参考訳（メタデータ） (2026-05-19T15:00:38Z)
• Recursive Multi-Agent Systems [106.82473907888497]
  本稿では,マルチエージェントフレームワークであるRecursiveMASを紹介する。 RecursiveMASは、軽量なRecursiveLinkモジュールを介して、異種エージェントを協調ループとして接続する。 実行時複雑性と学習力学の理論解析により、RecursiveMASは標準テキストベースMASよりも効率的であることが判明した。
  論文  参考訳（メタデータ） (2026-04-28T17:59:34Z)
• One Step Forward and K Steps Back: Better Reasoning with Denoising Recursion Models [4.903188186588148]
  Denoising Recursion Modelsは、データをノイズで汚すが、複数のステップで破損を逆転させるようモデルを訓練する手法である。 この戦略は、中間状態の抽出可能なカリキュラムを提供すると同時に、テストとの整合性を向上し、非グレーディで前向きな世代にインセンティブを与える。 この手法はARC-AGI上のTiny Recursion Modelよりも優れており、最近はブレークスルー性能を達成している。
  論文  参考訳（メタデータ） (2026-04-20T21:06:12Z)
• ARCS: Autoregressive Circuit Synthesis with Topology-Aware Graph Attention and Spec Conditioning [0.0]
  ARCSは、検索ベースの手法で必要とされる分ではなく、完全なSPICEシミュラブルな設計をミリ秒で生成する。 単モデル推論では、ベストオブ3候補選択を備えたトポロジ対応グラフ変換器が97msで85%のシミュレーション精度に達し、ランダム検索より600倍以上高速である。
  論文  参考訳（メタデータ） (2026-03-30T23:14:08Z)
• Mixture-of-Recursions: Learning Dynamic Recursive Depths for Adaptive Token-Level Computation [61.67090981767583]
  本研究では,Mixture-of-Recursions (MoR)を導入した。 MoRはパラメータ効率を達成するために再帰ステップをまたいだ共有レイヤのスタックを再利用し、軽量ルータは適応トークンレベルの思考を可能にする。 また、メモリフットプリントをさらに削減するために、KVペアを最初の再帰から再利用するKV共有変種を提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:49:00Z)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)
• Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
  本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
  論文  参考訳（メタデータ） (2021-07-13T18:01:43Z)
• Solve routing problems with a residual edge-graph attention neural network [10.42872026679616]
  本稿では,NP-ハード最適化問題を解決するために,エンドツーエンドの深層強化学習フレームワークを提案する。 提案するフレームワークは、ニューラルネットワークモデルとトレーニングアルゴリズムの観点から、リテラシーのモデルを改善することを目指している。 具体的には、平均最適性ギャップは、100ノードのTSPで4.53%(ベスト citeR22として報告)から3.67%(ベスト citeR22で報告)、100ノードのCVRPで7.34%(ベスト citeR22で報告)から6.68%に縮小される。
  論文  参考訳（メタデータ） (2021-05-06T14:47:47Z)

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。