Neural Combinatorial Optimization
PulseAugur coverage of Neural Combinatorial Optimization — every cluster mentioning Neural Combinatorial Optimization across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的AI路由方法增强推理和效率 · 跟踪4个来源
研究人员开发了T-Router，一种参数高效的强化学习方法，通过选择性地重用预训练模型的计算来显著提高推理能力。该方法在最近的arXiv论文中有所详细介绍，仅分配了0.466%的一小部分参数，但在GSM8K和AIME等基准测试上取得了比全参数方法和LoRA更优越的性能。另一篇论文探讨了用于边缘设备的神经符号路由，将查询分类以使用确定性求解器或小型语言模型，在资源受限的硬件上实现了高精度和高效率。第三项研究调查了组合优化问题的神经路由求…
-
新方法实现神经组合优化的基于种群的架构
研究人员开发了将基于种群的策略集成到神经组合优化中的新方法。这种方法旨在增强用于优化任务的神经网络的鲁棒性和探索能力。所提出的技术解决了在神经网络中表示整个种群以及学习平衡解的质量和多样性的动态方面的挑战。在最大割和最大独立集问题上的实验证明了将种群结构纳入学习优化方法的优点。
-
新型循环编码器提高了神经组合优化的效率
研究人员开发了一种用于神经组合优化（NCO）的新型循环编码器架构，显著提高了效率。这种新颖的方法通过将过去的状态嵌入整合到当前状态的计算中，重用了先前步骤的计算。所提出的循环编码器以更少的层数实现了与非循环模型相当或更优的性能，从而降低了延迟。其有效性已通过旅行商问题（TSP）、带容量车辆路径问题（CVRP）和定向问题（OP）得到证明，并已集成到大型邻域搜索算法中。
-
混合量子-经典神经网络在路由优化方面展现出潜力
研究人员开发了一种混合量子-经典神经网络，旨在改进路由启发式算法，特别是针对有容量车辆路径问题。该模型集成了小型量子神经网络，以替换基于注意力的经典路由系统中的参数密集型模块。虽然这种方法将模型参数显著减少了 56% 以上，但其在较小问题实例上的性能与经典神经网络基线非常接近，但在较大问题实例上差距逐渐扩大。研究得出结论，经典路由算法仍然具有很强的竞争力，而这种混合模型为神经网络组合优化提供了一种可行的压缩策略，而不是展示量子优势。
-
新的SSPO方法增强了神经组合优化，已部署于京东
研究人员开发了一种新颖的神经组合优化（NCO）方法SSPO，该方法解决了现有训练技术的局限性。SSPO通过根据样本解的结构相似度进行加权来优化训练，有效解决了梯度信号极化和基线冗余问题。该方法在各种基准测试中均表现出一致的性能提升，并已成功部署于京东的生产系统中，用于设施选址优化。
-
新方法使用神经路由求解器进行决策支持
研究人员引入了处方式探测（Prescriptive Probing），一种利用已训练的神经路由求解器进行超越简单问题求解的决策支持的新方法。该技术利用这些求解器的冻结表示来对候选干预措施进行排名，回答有关路由问题的复杂“假设”问题。该方法采用监督学习（带有离线重新求解标签）或强化学习（用于组合动作空间），在非对称旅行商问题和有容量车辆路径问题基准测试中表现强劲。
-
新AI方法N(CO)$^2$解决随机优化问题
研究人员开发了N(CO)$^2$，这是一种新颖的神经组合优化方法，旨在解决随机导向问题（SOP）。该方法集成了强化学习框架，用于在不确定性下优化路径选择，消除了手动设计启发式方法的需要。实证结果表明，N(CO)$^2$在各种SOP实例上与最先进的混合整数线性规划（MILP）技术相比具有竞争力，减少了启发式设计中的人为努力，并实现了自适应决策。