PulseAugur
中
实时 02:53:15
English(EN) Rethinking Efficiency in Neural Combinatorial Optimization: Batched Preference Optimization with Mamba

Mamba 主干驱动新高效神经组合优化框架

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 ECO，一个利用 Mamba 主干的高效神经组合优化框架。该方法将轨迹生成与梯度更新分离，采用监督预热阶段，然后对批量候选集进行迭代式直接偏好优化。该框架包含一个混合 Mamba 编码器-解码器来管理内存增长并提高硬件效率，以及一个局部搜索引导的引导策略来稳定训练。与现有的神经基线相比，ECO 在旅行商问题和有容量车辆路径问题基准测试中展现出卓越的性能、内存效率和吞吐量。 AI

影响 引入了一种更具内存效率和更高吞吐量的神经组合优化方法，可能对物流和运筹学产生影响。

排序理由 这是一篇研究论文，详细介绍了新框架及其在特定优化问题上的性能。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

Mamba 主干驱动新高效神经组合优化框架

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhenxing Xu, Zeyuan Ma, Weidong Bao, Yan Zheng, Ji Wang, Zhiguang Cao ·

    Rethinking Efficiency in Neural Combinatorial Optimization: Batched Preference Optimization with Mamba

    arXiv:2602.20730v2 Announce Type: replace Abstract: We study efficiency as a first-class objective in Neural Combinatorial Optimization (NCO) and present ECO, an efficient learning framework that combines batched preference optimization with a Mamba backbone. Instead of tightly i…

相关实体

相关话题