論文の概要: CoRS: Fast Neural Flexible Job-Shop Scheduling via Composite Interval State Reuse

• arxiv url: http://arxiv.org/abs/2610.26239v1
• Date: Mon, 19 Oct 2026 12:01:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:16:43.270445
• Title: CoRS: Fast Neural Flexible Job-Shop Scheduling via Composite Interval State Reuse
• Title（参考訳）: CoRS: 複合間状態再利用による高速ニューラルフレキシブルジョブショップスケジューリング
• Abstract要約: CoRSは、アクション生成を並列化したり、スケジューリング制約を緩和したりすることなく、グラフエンコーディングを2段階に改善する設計である。 CoRSは競争力のあるソリューションの品質を維持しながら推論時間を著しく短縮し、ウォールタイムの厳しい予算と低レイテンシシナリオの下で、良好なスピード品質のトレードオフを達成する。
• 参考スコア（独自算出の注目度）: 1.5387265192225774
• License:
• Abstract: Neural solvers for the Flexible Job-Shop Scheduling Problem (FJSP) typically refresh graph representations and update feasibility after every operation--machine decision. However, only feasibility must remain exact at every step, whereas graph encoding is substantially more expensive and can potentially be refreshed less frequently. We present CoRS, which decouples them: an interval-level graph representation is reused across multiple sequential decisions, while a stepwise feasibility state is updated after every action. This two-timescale design amortizes graph encoding without parallelizing action generation or relaxing scheduling constraints. CoRS further develops a feasibility-preserving composite-interval decoding scheme with dynamic constraint tracking and boundary state synchronization, which reduces representation refresh frequency while maintaining continuous feasible schedule construction. Furthermore, to alleviate representation staleness caused by interval-level state reuse, CoRS introduces enhanced static features as a compensation mechanism. By providing more comprehensive structural information of the scheduling problem, these features improve the model's perception of overall problem characteristics. Extensive experiments on synthetic and multiple public FJSP benchmarks demonstrate that CoRS significantly reduces inference time while maintaining competitive solution quality, achieving favorable speed-quality trade-offs under tight wall-clock budgets and low-latency scenarios.
• Abstract（参考訳）: フレキシブルジョブショップスケジューリング問題(FJSP)のニューラルソルバは、通常、グラフ表現をリフレッシュし、操作毎に実行可能性を更新します。 しかし、実現可能性だけがすべてのステップで正確でなければならないのに対して、グラフエンコーディングはかなり高価で、更新頻度が低くなる可能性がある。 間隔レベルのグラフ表現は、複数のシーケンシャルな決定で再利用され、ステップワイズ可能な状態は、アクション毎に更新されます。 この2時間スケールの設計は、アクション生成を並列化したり、スケジューリング制約を緩和したりすることなく、グラフ符号化を補正する。 CoRSはさらに、動的制約追跡と境界状態同期を併用し、連続可能なスケジュール構成を維持しながら表現リフレッシュ頻度を低減した、実行可能性保存型複合区間復号方式を開発した。 さらに、間隔レベルの状態再利用による表現の安定化を軽減するため、CoRSは補償機構として拡張された静的特徴を導入している。 スケジューリング問題のより包括的な構造情報を提供することにより、これらの特徴はモデル全体の問題特性に対する認識を改善する。 総合的および複数のFJSPベンチマークに関する大規模な実験により、CoRSは競合するソリューションの品質を維持しながら推論時間を著しく短縮し、ウォールクロックの厳格な予算と低レイテンシのシナリオの下で良好な速度品質のトレードオフを達成することが示されている。

関連論文リスト

• EvtGraph: Event-Adaptive Compression for Sparse Temporal Graph Learning in Multimodal Time Series [25.750916054932294]
  EvtGraphは、計算を明確な予算制約の下で時間的サリエンスと整合させる統合フレームワークである。 EvtGraphは、高密度なシーケンスを正常なイベント上の構造化された計算に変換することで、臨界遷移を保ちながら複雑さを低減します。
  論文  参考訳（メタデータ） (2026-08-05T02:16:49Z)
• Frequency Domain Reservoir Computing [10.316233181797408]
  Echo State Networks (ESN) は、時間を通してバックプロパゲーションを回避するために、固定されたリカレントウェイトを利用することによって、魅力的なアプローチを提供する。 本稿では、周波数領域で完全に動作するESNアーキテクチャである周波数領域貯水池計算(FRESCO)を紹介する。 FRESCOは、トレーニングと推論の計算コストとエネルギー消費を大幅に削減する。
  論文  参考訳（メタデータ） (2026-06-23T10:14:46Z)
• Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
  繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。 本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
  論文  参考訳（メタデータ） (2026-06-21T12:14:11Z)
• Graph-RHO: Critical-path-aware Heterogeneous Graph Network for Long-Horizon Flexible Job-Shop Scheduling [26.97705087364345]
  Graph-RHOは、新しいクリティカルパス対応グラフベースのRHOフレームワークである。 マルチリレーショナルエッジを持つ演算マシングラフとしてサブプロブレムを符号化するトポロジ対応ヘテロジニアスグラフネットワークを提案する。 トレーニング中に誘導バイアスを注入し、高感度なボトルネック操作とロバストな操作を区別するクリティカルパス認識機構を組み込んだ。
  論文  参考訳（メタデータ） (2026-04-11T07:35:09Z)
• Towards Robust and Generalizable Continuous Space-Time Video Super-Resolution with Events [71.2439653098351]
  連続時空ビデオスーパーSTVSRは、高解像度で高フレームのビデオを任意の時間スケールで再構成する能力への関心が高まっている。 EvEnhancerは、イベントストリームにカプセル化された高時間および高ダイナミックレンジのユニークな特性を結合する新しいアプローチである。 提案手法は,OODスケールでの一般化性を維持しつつ,合成および実世界の両方のデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-10-04T15:23:07Z)
• 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)
• STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting [14.156419219696252]
  STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
  論文  参考訳（メタデータ） (2025-05-07T06:41:33Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• Delay-Tolerant Constrained OCO with Application to Network Resource Allocation [44.67787270821051]
  マルチスロットフィードバック遅延によるオンライン凸最適化(OCO)を検討します。 エージェントは、時間変動凸損失関数の蓄積を最小限に抑えるために、一連のオンライン決定を行う。 情報フィードバックと意思決定の更新の非同期性に取り組むために,二重正規化による新たな制約ペナルティを用いた遅延耐性制約OCOを提案する。
  論文  参考訳（メタデータ） (2021-05-09T19:32:33Z)

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。