論文の概要: DEG: Diffusion-Enhanced GFlowNet for Solving Vehicle Routing Problems

• arxiv url: http://arxiv.org/abs/2610.39512v1
• Date: Thu, 29 Oct 2026 07:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.056667
• Title: DEG: Diffusion-Enhanced GFlowNet for Solving Vehicle Routing Problems
• Title（参考訳）: DEG: 車両ルーティング問題を解決するための拡散強化GFlowNet
• Abstract要約: Diffusion-Enhanced GFlowNet (DEG) は,GFlowNetを拡散モデルに統合し,高逆領域へのよりリッチなフロー展開を促進する新しいフレームワークである。 スケーラビリティをさらに向上するために,多様な問題スケールに動的に適応できる専用デコーダを導入する。
• 参考スコア（独自算出の注目度）: 50.18454305378028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional neural solvers for solving vehicle routing problems (VRPs) often suffer from limited solution diversity, motivating the development of Generative Flow Network (GFlowNet)-based models. However, the effectiveness of these models is frequently constrained by insufficient flow expansion in high-reward regions, limiting their ability to distribute probability across promising solution routes. Deeper exploration could yield superior results. Diffusion models, in contrast, provide stronger structural guidance for exploration. These two paradigms are naturally complementary: GFlowNet can supply edge-level signals for diffusion to embed, while diffusion can guide broader exploration. Leveraging this synergy, we propose Diffusion-Enhanced GFlowNet (DEG), a novel framework that integrates GFlowNet with a diffusion model to encourage richer flow expansion toward high-reward regions and derive higher-quality solutions. Specifically, DEG exploits GFlowNet's inherent diversity to generate edge-specific backward signals, applies the stochastic noise schedule of diffusion to perturb these signals, and then denoises them within the GFlowNet paradigm. To further improve scalability, we introduce a specialized decoder capable of dynamically adapting to diverse problem scales. Extensive experimental evaluations on synthetic and real-world datasets, including instances with up to 10,000 nodes, demonstrate that DEG consistently achieves favorable performance compared to baseline methods.
• Abstract（参考訳）: 車両ルーティング問題(VRP)を解決する従来のニューラルネットワークは、ソリューションの多様性の制限に悩まされることが多く、ジェネレーティブフローネットワーク(GFlowNet)ベースのモデルの開発を動機付けている。 しかし, これらのモデルの有効性は, 高次領域でのフロー展開が不十分なことや, 確率を期待できる解経路に分散する能力に制限されることがしばしばある。 より深い探索は優れた結果をもたらす可能性がある。 対照的に拡散モデルは、探索のためのより強力な構造的ガイダンスを提供する。 これらの2つのパラダイムは自然に相補的であり、GFlowNetは拡散のためのエッジレベルの信号を提供し、拡散はより広い探索を導くことができる。 このシナジーを生かしたDiffusion-Enhanced GFlowNet (DEG) は,GFlowNetを拡散モデルに統合し,高次領域へのよりリッチなフロー展開を促進し,高品質なソリューションを導出する新しいフレームワークである。 具体的には、DECはGFlowNet固有の多様性を活用してエッジ固有の後方信号を生成し、拡散の確率的ノイズスケジュールを適用してこれらの信号を摂動させ、GFlowNetパラダイム内でそれらを識別する。 スケーラビリティをさらに向上するために,多様な問題スケールに動的に適応できる専用デコーダを導入する。 最大1万ノードのインスタンスを含む、合成および実世界のデータセットに対する大規模な実験的評価は、DECがベースラインメソッドと比較して、一貫して良好なパフォーマンスを達成することを実証している。

関連論文リスト

• Efficient Diversity-Preserving Diffusion Alignment via Gradient-Informed GFlowNets [65.42834731617226]
  そこで我々は,Nabla-GFlowNetと呼ばれる拡散モデルファインタニングのための強化学習手法を提案する。 提案手法は,大規模テキスト条件による画像拡散モデルである安定拡散の高速かつ多様かつ事前保存的な微調整を実現する。
  論文  参考訳（メタデータ） (2024-12-10T18:59:58Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)

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。